معرفی شرکت ها

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

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

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

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

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

توضیحات

TOPSIS implementation for Multi Criteria Decision Making (MCDM)

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	Topsis-Divyansh-102083048-1.0.0
نام	Topsis-Divyansh-102083048
نسخه کتابخانه	1.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Divyansh Kaushik
ایمیل نویسنده	dkaushik_bemba19@thapar.edu
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/Topsis-Divyansh-102083048/
مجوز	MIT

# Topsis implementation for Multiple Criteria Decision Making (MCDM) Topsis-Divyansh-102083048 is a Python Package that can be used as CLI tool to calculate TOPSIS performance score and ranking them according to score by taking csv file as input. ## 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. ## Installation Install the package using command- ``` sh pip install Topsis-Divyansh-102083048 ``` ## How to use this package? - ### To use via CLI ```sh topsis input_file weights impacts output_file ``` ##### Arguments #### | Arguments | Description | | ------ | ------ | | input_file | Input CSV file path | | weights | Comma seperated numbers enclosed in "" | | impacts | Comma seperated '+' or '-' enclosed in "" | | output_file | Output CSV file path | ##### Output: Creates a ouput_file that contains the original data with two new columns as performance score and rank. Example: ```sh topsis input_data.csv "1,1,1,2,1" "+,+,+,-,+" output_file.csv ``` # - ### To use in .py script # ```python from Topsis-Divyansh-102083048 import topsis import pandas as pd dataset = pd.read_csv("data.csv") data = dataset[:,1:] weights = [1,1,1,2,1] impacts = ["+","+","+","-","+"] topsis(data,weights,impacts,output.csv) ``` ### Sample Input CSV # | Fund Name | P1 | P2 | P3 | P4 | P5 | | ------ | ------ | ------ |------ |------ |------ | | M1 | 0.65 | 0.42 | 4.2 | 60.1 | 16.34 | | M2 | 0.67 | 0.45 | 6.8 | 69.7 | 19.41 | | M3 | 0.91 | 0.83 | 6.5 | 62.9 | 17.79 | | M4 | 0.61 | 0.37 | 3.3 | 44.1 | 12.1 | | M5 | 0.8 | 0.64 | 5.5 | 55.4 | 15.59 | | M6 | 0.79 | 0.62 | 5.5 | 56.5 | 15.85 | | M7 | 0.82 | 0.67 | 5.1 | 53.6 | 15.05 | | M8 | 0.94 | 0.88 | 5.1 | 44.5 | 12.86 | ### Sample Output CSV File ###### For weights "1,1,1,1,1" and impacts "+,-,+,-,+" # | Fund Name | P1 | P2 | P3 | P4 | P5 | Topsis Score | Rank | | ------ | ------ | ------ |------ |------ |------ | ------ | ------ | | M1 | 0.65 | 0.42 | 4.2 | 60.1 | 16.34 | 0.53475795 | 3 | | M2 | 0.67 | 0.45 | 6.8 | 69.7 | 19.41 | 0.64308057 | 1 | | M3 | 0.91 | 0.83 | 6.5 | 62.9 | 17.79 | 0.50063048 | 6 | | M4 | 0.61 | 0.37 | 3.3 | 44.1 | 12.1 | 0.50478334 | 5 | | M5 | 0.8 | 0.64 | 5.5 | 55.4 | 15.59 | 0.53326848 | 4 | | M6 | 0.79 | 0.62 | 5.5 | 56.5 | 15.85 | 0.5446234 | 2 | | M7 | 0.82 | 0.67 | 5.1 | 53.6 | 15.05 | 0.48796329 | 7 | | M8 | 0.94 | 0.88 | 5.1 | 44.5 | 12.86 | 0.4227203 | 8 |

نیازمندی

مقدار	نام
-	numpy
-	pandas

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl Topsis-Divyansh-102083048-1.0.0:

pip install Topsis-Divyansh-102083048-1.0.0.whl

نصب پکیج tar.gz Topsis-Divyansh-102083048-1.0.0:

pip install Topsis-Divyansh-102083048-1.0.0.tar.gz