CRITIC权重法实战指南：用Python实现数据评价与可视化全流程
当你面对一份包含多个评价指标的数据集时，如何科学地确定各指标的重要性？CRITIC权重法提供了一种基于数据内在特性的客观赋权方案。不同于主观打分法容易受人为因素影响，CRITIC方法通过分析指标间的对比强度和冲突性来自动计算权重，特别适合处理具有相关性的多指标评价问题。
1. 环境准备与数据理解
在开始之前，确保你的Python环境已安装以下库：
pip install numpy pandas matplotlib seaborn假设我们有一份城市发展评估数据集，包含5个城市的6项指标：
| 城市 | GDP(亿元) | 人均收入(万元) | 空气质量指数 | 失业率(%) | 医疗资源指数 | 教育投入占比 |
|---|---|---|---|---|---|---|
| A市 | 1200 | 6.8 | 85 | 3.2 | 78 | 4.1 |
| B市 | 980 | 5.9 | 92 | 4.1 | 65 | 3.8 |
| C市 | 1500 | 7.5 | 78 | 2.8 | 82 | 4.5 |
| D市 | 850 | 5.2 | 88 | 5.0 | 60 | 3.5 |
| E市 | 1100 | 6.5 | 82 | 3.5 | 75 | 4.0 |
注意：需要预先明确每个指标的类型，GDP、人均收入、医疗资源指数和教育投入占比是正向指标（越大越好），空气质量指数和失业率是负向指标（越小越好）。
2. 数据预处理与标准化
不同类型指标需要先进行标准化处理，消除量纲影响。我们使用极值标准化方法：
import numpy as np import pandas as pd def data_normalization(data, indicators_type): """ 数据标准化处理 :param data: 原始数据矩阵 :param indicators_type: 指标类型列表，1为正向指标，2为负向指标 :return: 标准化后的矩阵 """ normalized_data = np.zeros_like(data, dtype=float) for i in range(data.shape[1]): col = data[:, i] max_val, min_val = np.max(col), np.min(col) if indicators_type[i] == 1: # 正向指标 normalized_data[:, i] = (col - min_val) / (max_val - min_val) else: # 负向指标 normalized_data[:, i] = (max_val - col) / (max_val - min_val) return normalized_data # 示例数据 raw_data = np.array([ [1200, 6.8, 85, 3.2, 78, 4.1], [980, 5.9, 92, 4.1, 65, 3.8], [1500, 7.5, 78, 2.8, 82, 4.5], [850, 5.2, 88, 5.0, 60, 3.5], [1100, 6.5, 82, 3.5, 75, 4.0] ]) indicators_type = [1, 1, 2, 2, 1, 1] # 指标类型 normalized_data = data_normalization(raw_data, indicators_type) print("标准化后的矩阵:\n", normalized_data)标准化后的数据所有值都在[0,1]区间内，且都转化为正向指标，便于后续比较。
3. CRITIC权重计算核心步骤
CRITIC权重的计算主要基于两个关键概念：
- 对比强度：通过标准差衡量指标内数据的波动程度
- 冲突性：通过相关系数衡量指标间的相关性
3.1 计算对比强度
对比强度反映指标内各评价对象取值的差异程度：
def calculate_contrast_intensity(normalized_data): """计算对比强度（标准差）""" return np.std(normalized_data, axis=0, ddof=1) contrast = calculate_contrast_intensity(normalized_data) print("各指标对比强度:\n", contrast)3.2 计算冲突性矩阵
冲突性反映指标间的相关性，使用Pearson相关系数：
def calculate_conflict(normalized_data): """计算冲突性""" corr_matrix = np.corrcoef(normalized_data, rowvar=False) return np.sum(1 - corr_matrix, axis=0) conflict = calculate_conflict(normalized_data) print("各指标冲突性:\n", conflict)3.3 计算信息承载量与权重
信息承载量是对比强度与冲突性的乘积，权重则是归一化的信息承载量：
def calculate_critic_weights(contrast, conflict): """计算CRITIC权重""" information_capacity = contrast * conflict weights = information_capacity / np.sum(information_capacity) return weights weights = calculate_critic_weights(contrast, conflict) print("各指标权重:\n", weights)4. 结果可视化分析
4.1 权重分布条形图
import matplotlib.pyplot as plt import seaborn as sns # 设置中文显示 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 指标名称 indicators = ['GDP', '人均收入', '空气质量', '失业率', '医疗资源', '教育投入'] # 绘制权重条形图 plt.figure(figsize=(10, 6)) sns.barplot(x=indicators, y=weights, palette="viridis") plt.title('各指标CRITIC权重分布') plt.ylabel('权重') plt.xticks(rotation=45) for i, v in enumerate(weights): plt.text(i, v+0.01, f"{v:.3f}", ha='center') plt.tight_layout() plt.show()4.2 城市评价雷达图
计算各城市综合得分并可视化：
def calculate_scores(normalized_data, weights): """计算综合得分""" scores = np.dot(normalized_data, weights) return 100 * scores / np.max(scores) # 转换为百分制 scores = calculate_scores(normalized_data, weights) print("各城市综合得分:\n", scores) # 雷达图绘制 def plot_radar_chart(cities, scores): angles = np.linspace(0, 2*np.pi, len(cities), endpoint=False).tolist() angles += angles[:1] # 闭合图形 fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True)) ax.fill(angles, [*scores, scores[0]], alpha=0.25) ax.plot(angles, [*scores, scores[0]], marker='o') ax.set_theta_offset(np.pi / 2) ax.set_theta_direction(-1) ax.set_thetagrids(np.degrees(angles[:-1]), cities) ax.set_rlabel_position(0) plt.yticks([20, 40, 60, 80, 100], ["20", "40", "60", "80", "100"], color="grey", size=7) plt.ylim(0, 110) plt.title('城市发展综合评价雷达图', pad=20) plt.show() cities = ['A市', 'B市', 'C市', 'D市', 'E市'] plot_radar_chart(cities, scores)5. 实际应用中的注意事项
- 指标类型判断：务必正确区分正向和负向指标，错误的类型设定会导致权重计算完全错误
- 数据质量检查：
- 处理缺失值（删除或合理填充）
- 检查异常值（使用箱线图或3σ原则识别）
- 结果解释：
- 高权重指标通常具有较大内部差异和较低相关性
- 低权重指标可能是数据变化小或与其他指标高度相关
- 方法比较：
- 与熵权法相比，CRITIC考虑了指标间相关性
- 与AHP相比，CRITIC完全基于数据，避免主观偏差
# 完整流程封装示例 def critic_method(data, indicators_type, indicator_names=None): """CRITIC权重法完整流程封装""" # 数据标准化 normalized_data = data_normalization(data, indicators_type) # 计算对比强度 contrast = calculate_contrast_intensity(normalized_data) # 计算冲突性 conflict = calculate_conflict(normalized_data) # 计算权重 weights = calculate_critic_weights(contrast, conflict) # 计算得分 scores = calculate_scores(normalized_data, weights) return { 'normalized_data': normalized_data, 'contrast': contrast, 'conflict': conflict, 'weights': weights, 'scores': scores } # 使用示例 result = critic_method(raw_data, indicators_type) print("最终权重:", result['weights'])在实际项目中，我发现CRITIC方法特别适合处理指标间存在一定相关性的评价问题。曾经在一个区域经济发展评估项目中，使用这种方法成功识别出虽然GDP指标波动较大，但由于与其他指标高度相关，最终权重反而低于预期，这一发现帮助我们更全面地理解了区域发展差异的主要驱动因素。
