对于 CRITIC 权重法而言，在标准差一定时，指标间冲突性越小，权重也越小；冲突性越大，权重也越大；另外，当两个指标间的正相关程度越大时，（相关系数越接近1），冲突性越小，这表明这两个指标在评价方案的优劣上反映的信息有较大的相似性...在用 Python 复现 CRITIC 权重法时，需要计算变异系数，以标准差的形式来表现，如下所示：
Sj表示第 j 个指标的标准差，在 CRITIC 权重法中使用标准差来表示各指标的内取值的差异波动情况...数据如下：
二、详解计算均值和标准差
初始化一个简单的矩阵：
a = np.array([
[1, 2, 3],
[4, 5, 6],
[7, 8, 9]
])
a
分别计算整体的均值...# 每一列的均值
print("每一行的均值：", np.mean(a, axis=1)) # 每一行的均值
分别计算整体的标准差、每一列的标准差和每一行的标准差：
print("整体的方差..., np.std(a, axis=1)) # 每一行的标准差
结果如下：
三、实践：CRITIC权重法计算变异系数
导入需要的依赖库：
import numpy as np
import pandas
云服务器
ICP备案
云直播
对象存储
实时音视频
