معرفی شرکت ها

TOPSIS-101703317-0.0.1

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.0.1
0.0.1

توضیحات

A Simple Package to detect and remove outliers using Inter-Quatile Range
ویژگی مقدار
سیستم عامل OS Independent
نام فایل TOPSIS-101703317-0.0.1
نام TOPSIS-101703317
نسخه کتابخانه 0.0.1
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Manas khatri
ایمیل نویسنده manaskhatri4534@gmail.com
آدرس صفحه اصلی -
آدرس اینترنتی https://pypi.org/project/TOPSIS-101703317/
مجوز -
# TOPSIS-Python **Project 1 : UCS633** Submitted By: **Manas Khatri 101703317** *** ## What is TOPSIS **T**echnique for **O**rder **P**reference by **S**imilarity to **I**deal **S**olution (TOPSIS) originated in the 1980s as a multi-criteria decision making method. TOPSIS chooses the alternative of shortest Euclidean distance from the ideal solution, and greatest distance from the negative-ideal solution. More details at [wikipedia](https://en.wikipedia.org/wiki/TOPSIS). <br> ## How to use this package: TOPSIS-101703317 can be run as in the following example: ### In Command Prompt ``` >> topsis data.csv "1,1,1,1" "+,+,-,+" ``` <br> ### In Python IDLE: ``` >>> import pandas as pd >>> from topsis_python.topsis import topsis >>> dataset = pd.read_csv('data.csv').values >>> d = dataset[:,1:] >>> w = [1,1,1,1] >>> im = ["+" , "+" , "-" , "+" ] >>> topsis(d,w,im) ``` <br> ## Sample dataset The decision matrix (`a`) should be constructed with each row representing a Model alternative, and each column representing a criterion like Accuracy, R<sup>2</sup>, Root Mean Squared Error, Correlation, and many more. Model | Correlation | R<sup>2</sup> | RMSE | Accuracy ------------ | ------------- | ------------ | ------------- | ------------ M1 | 0.79 | 0.62 | 1.25 | 60.89 M2 | 0.66 | 0.44 | 2.89 | 63.07 M3 | 0.56 | 0.31 | 1.57 | 62.87 M4 | 0.82 | 0.67 | 2.68 | 70.19 M5 | 0.75 | 0.56 | 1.3 | 80.39 Weights (`w`) is not already normalised will be normalised later in the code. Information of benefit positive(+) or negative(-) impact criteria should be provided in `I`. <br> ## Output ``` Model Score Rank ----- -------- ---- 1 0.77221 2 2 0.225599 5 3 0.438897 4 4 0.523878 3 5 0.811389 1 ``` <br> The rankings are displayed in the form of a table using a package 'tabulate', with the 1st rank offering us the best decision, and last rank offering the worst decision making, according to TOPSIS method.


زبان مورد نیاز

مقدار نام
>=3.6 Python


نحوه نصب


نصب پکیج whl TOPSIS-101703317-0.0.1:

    pip install TOPSIS-101703317-0.0.1.whl


نصب پکیج tar.gz TOPSIS-101703317-0.0.1:

    pip install TOPSIS-101703317-0.0.1.tar.gz