Python 数据框架中的产品评分

我有产品id数据框。我想通过对每个产品打分来找到最好的产品。对于每个变量，值越大，产品得分越好，但退货除外，这意味着退货越多，得分越低。此外，我需要为发货收入和退货的变量分配不同的权重，这些变量的重要性可能会增加20%

评分函数可以如下所示 分数=发货单位+1.2*发货收入+订单单位-1.2退货+查看+库存 其中0

---

考虑到你的

dataframe

你期望得到什么？事实上，我为每个产品添加了一个问题，btw 0和100谢谢。你的权重不能确保分数在[0,100]范围内。这很好，它可以超过100，但我们可以将所有分数压缩到100谢谢这是实现它的一种方法，

w=np.array（[1,1.2,1,1,1]）

score=df_product.drop（'ProductId'，axis=1）。apply（lambda x:sum（w*x），axis=1）

normalizedScore=100*（score-score.min（））/（score.max（）-score.min（））

我们可以通过0和100挤压分数吗。ThanksAll得分>100…可能会将每个变量按0和100进行缩放，然后求和？我将0-1之间的列标准化并乘以100

 df_product=pd.DataFrame({'ProductId':['1','2','3','4','5','6','7','8','9','10'],'ShippedUnits': 
 [6,8,0,4,27,3,4,14,158,96],'ShippedRevenue':[268,1705,1300,950,1700,33380,500,2200,21000,24565]
 ,'OrderedUnits':[23,78,95,52,60,76,68,92,34,76],'Returns':[0,0,6,0,2,5,6,5,2,13],'View': 
 [0,655,11,378,920,12100,75,1394,12368,14356],'Stock':[24,43,65,27,87,98,798,78,99,231]
             })

 df_product=pd.DataFrame({'ProductId':['1','2','3','4','5','6','7','8','9','10'],'ShippedUnits': 
 [6,8,0,4,27,3,4,14,158,96],'ShippedRevenue':[268,1705,1300,950,1700,33380,500,2200,21000,24565]
 ,'OrderedUnits':[23,78,95,52,60,76,68,92,34,76],'Returns':[0,0,6,0,2,5,6,5,2,13],'View': 
 [0,655,11,378,920,12100,75,1394,12368,14356],'Stock':[24,43,65,27,87,98,798,78,99,231]
             })
df_product['score'] = df_product['ShippedUnits'] +1.2*df_product['ShippedRevenue']+df_product['OrderedUnits']-1.2*df_product['Returns']+df_product['View']+df_product['Stock']

df_product['score']=(df_product['score']-df_product['score'].min())/(df_product['score'].max()-df_product['score'].min())*100

df_product

df["Score"] = df["ShippedUnits"] + df["OrderedUnits"] \
              + df["View"] + df["Stock"] \
              + 1.2 * df["ShippedRevenue"] \
              - 1.2 * df["Returns"]


df["Norm1"] = df["Score"] / df["Score"].max() * 100
df["Norm2"] = df["Score"] / df["Score"].sum() * 100
df["Norm3"] = (df["Score"] - df["Score"].min()) / (df["Score"].max() - df["Score"].min()) * 100

>>> df[["ProductId", "Score", "Norm1", "Norm2", "Norm3"]]
  ProductId    Score       Norm1      Norm2       Norm3
0         1    374.6    0.715883   0.250040    0.000000
1         2   2830.0    5.408298   1.888986    4.726249
2         3   1723.8    3.294284   1.150613    2.596993
3         4   1601.0    3.059606   1.068646    2.360622
4         5   3131.6    5.984673   2.090300    5.306781
5         6  52327.0  100.000000  34.927558  100.000000
6         7   1537.8    2.938827   1.026460    2.238973
7         8   4212.0    8.049382   2.811452    7.386377
8         9  37856.6   72.346208  25.268763   72.146811
9        10  44221.4   84.509718  29.517180   84.398026