目前關於屬性指標確定權重的方法有三類：主觀賦權法、客觀賦權法、組合賦權法。

常用的主觀賦權法有專家調查法(Delphi法)、層次分析法(AHP)、二項係數法、環比評分法等。常用的主觀賦權法有變異係數法、熵值法、離差及均方差法、多目標規劃法等。組合賦權法則綜合客觀賦權和主觀賦權的優缺點，基於資料之間的規律和專家經驗對決策指標進行賦權。

由於工作的需要，會經常用到變異係數法和熵權法，這裡先實現變異係數法。

變異係數法：

變異係數法是直接利用各項指標所包含的資訊，通過計算得到指標的權重。在評價指標體系中，指標取值差異越大的指標，也就是越難以實現的指標，這樣的指標更能反映被評價單位的差距。

但是在使用變異係數法的時候要注意均值是否過小，因為當均值過小時，變異係數會過大，權重就會很大，這個時候就要注意檢查一下資料。

其中STD是指標標準差，MEAN是指標的均值

Python程式碼：

################### 計算變異係數權重 ###########################
def CvWeight(self, data,collist):
    '''
    data: dataframe型別資料
    collist：需要計算權重的屬性列表
    '''
    print('計算變異係數法....')
    statistic = data[collist].describe()                     # 描述統計值
    cv = statistic.loc['std'] / abs(statistic.loc['mean'])   # 計算CV值
    cv_sum = cv.sum()                                        # cv總和
    print('變異係數總和：' + str(cv_sum))
    cv_weight = cv / cv_sum                                  # 計算權重
    self.logger.info('%s 的權重是：%s ；' % (collist,[cv_weight[col] for col in collist]))
    pass
    return cv_weight
pass