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

Multi criteria decision making with python

ویژگی	مقدار
سیستم عامل	-
نام فایل	decision-python-0.0.1
نام	decision-python
نسخه کتابخانه	0.0.1
نگهدارنده	['Rizki Sasri Dwitama']
ایمیل نگهدارنده	['sasri.djproject@gmail.com']
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/justsasri/decipy
آدرس اینترنتی	https://pypi.org/project/decision-python/
مجوز	MIT

# Decipy Multi-Criteria Decision Making Methods library ## Installation ```shell script $ pip install decipy ``` or ```shell script $ pip install git+https://github.com/justsasri/decipy.git#egg=decipy ``` ## MCDM Ranking ```python import numpy as np import pandas as pd from decipy import executors as exe # define matrix matrix = np.array([ [4, 3, 2, 4], [5, 4, 3, 7], [6, 5, 5, 3], ]) # alternatives alts = ['A1', 'A2', 'A3'] # criterias crits = ['C1', 'C2', 'C3', 'C4'] # criteria's beneficial values, True for benefit or False for cost beneficial = [True, True, True, True] # criteria's weights weights = [0.10, 0.20, 0.30, 0.40] # define DataFrame xij = pd.DataFrame(matrix, index=alts, columns=crits) # create Executor (MCDM Method implementation) kwargs = { 'data': xij, 'beneficial': beneficial, 'weights': weights, 'rank_reverse': True, 'rank_method': "ordinal" } # Build MCDM Executor wsm = exe.WSM(**kwargs) # Weighted Sum Method topsis = exe.Topsis(**kwargs) # Topsis vikor = exe.Vikor(**kwargs) # Vikor # show results print("WSM Ranks") print(wsm.dataframe) print("TOPSIS Ranks") print(topsis.dataframe) print("Vikor Ranks") print(vikor.dataframe) # How to choose best MCDM Method ? # Instantiate Rank Analizer analizer = exe.RankSimilarityAnalyzer() # Add MCDMs to anlizer analizer.add_executor(wsm) analizer.add_executor(topsis) analizer.add_executor(vikor) # run analizer results = analizer.analyze() print(results) ``` ## references - Triantaphyllou, E., Mann, S.H. 1989. "An Examination of The Effectiveness of Multi-dimensional Decision-making Methods: A Decision Making Paradox." Decision Support Systems (5(3)): 303–312. - Chakraborty, S., and C.H. Yeh. 2012. "Rank Similarity based MADM Method Selection." International Conference on Statistics in Science, Business and Engineering (ICSSBE2012) - Brauers, Willem K., and Edmundas K. Zavadskas. 2009. "Robustness of the multi‐objective MOORA method with a test for the facilities sector." Ukio Technologinisir Ekonominis (15:2): 352-375. - Hwang, C.L., and K. Yoon. 1981. "Multiple attribute decision making, methods and applications." Lecture Notes in Economics and Mathematical Systems(Springer-Verlag) 186 - Yoon, K.P. and Hwang, C.L., “Multiple Attribute Decision Making: An Introduction”, SAGE publications, London, 1995. - ÇELEN, Aydın. 2014. "Comparative Analysis of Normalization Procedures in TOPSIS Method: With an Application to Turkish Deposit Banking Market." INFORMATICA 25 (2): 185–208 - “Ranking”, http://en.wikipedia.org/wiki/Ranking

نیازمندی

مقدار	نام
>=1.0	pandas
>=3.2	matplotlib
>=1.4	scipy

نحوه نصب

نصب پکیج whl decision-python-0.0.1:

pip install decision-python-0.0.1.whl

نصب پکیج tar.gz decision-python-0.0.1:

pip install decision-python-0.0.1.tar.gz