RSR秩和比综合评价系统

No.013 · 在线教程

秩和比法（RSR, Rank Sum Ratio）是一种非参数综合评价方法，通过对多指标进行秩次转换与加权求和，得到介于 [0,1] 的综合评价值。RSR 值越大表示综合评价越好，最终可给出排序与分档结果。

返回教程目录算法详情下载方式购买授权

RSR 秩和比综合评价系统

1. 方法概述

秩和比法（RSR, Rank Sum Ratio）是一种非参数综合评价方法，通过对多指标进行秩次转换与加权求和，得到介于 $[0,1]$ 的综合评价值。RSR 值越大表示综合评价越好，最终可给出排序与分档结果。

设有 $n$ 个评价对象（样本）、$m$ 个评价指标，原始数据矩阵为

$$ X=(x_{ij})_{n\times m},\quad i=1,\dots,n,\ j=1,\dots,m \tag{1} $$

其中 $x_{ij}$ 表示第 $i$ 个样本在第 $j$ 个指标上的观测值。

2. 指标方向与标准化（可选）

系统支持正向指标（越大越好）、负向指标（越小越好）与适度指标（接近最优值越好）。

2.1 适度指标转换

适度指标在系统中先转换为“越大越好”的贴近度：

$$ \tilde{x}_{ij}=1-\frac{|x_{ij}-x_j^*|}{\max_i |x_{ij}-x_j^*|} \tag{2} $$

其中 $x_j^*$ 为该指标的最优值（用户输入；未填时默认使用样本均值）。

2.2 标准化（可选）

系统提供以下标准化方式（在编秩前执行）：

Z-score 标准化： $$ z_{ij}=\frac{x_{ij}-\mu_j}{\sigma_j} \tag{3} $$

Min-Max 标准化： $$ z_{ij}=\frac{x_{ij}-\min x_j}{\max x_j-\min x_j} \tag{4} $$

稳健标准化（Robust）： $$ z_{ij}=\frac{x_{ij}-\text{median}(x_j)}{\text{IQR}(x_j)} \tag{5} $$

标准化与否不改变 RSR 的基本思想，但可改善不同量纲下的秩次稳定性。

3. 编秩方法

系统支持“整次秩和比法”和“非整次秩和比法”，并兼容平均/最小/最大秩次法等策略。

3.1 整次秩和比法（Whole Rank）

对每一指标列进行秩次转换：

正向指标：值越大，秩次越大；
负向指标：值越小，秩次越大。

可记为

$$ r_{ij}=\operatorname{rank}(x_{ij})\quad(正向),\qquad r_{ij}=\operatorname{rank}(-x_{ij})\quad(负向) \tag{6} $$

3.2 非整次秩和比法（Non-Whole Rank）

采用线性插值分配秩次：

$$ r_{ij}=1+(n-1)\frac{x_{ij}-\min x_j}{\max x_j-\min x_j},\quad \text{正向} \tag{7} $$

$$ r_{ij}=1+(n-1)\frac{\max x_j-x_{ij}}{\max x_j-\min x_j},\quad \text{负向} \tag{8} $$

3.3 平均/最小/最大秩次（可选）

当存在并列值时，可选择：平均秩次、最小秩次、最大秩次等策略，以提升稳定性。

4. 权重设置

系统支持等权重、自定义权重与熵权法。

4.1 等权重

$$ w_j=\frac{1}{m},\qquad j=1,\dots,m \tag{9} $$

4.2 自定义权重

用户输入 $w_j\ge 0$ 后归一化：

$$ \tilde{w}_j=\frac{w_j}{\sum_{j=1}^m w_j} \tag{10} $$

4.3 熵权法

对指标列归一化为 $[0,1]$ 后，计算比重：

$$ p_{ij}=\frac{z_{ij}}{\sum_{i=1}^n z_{ij}} \tag{11} $$

熵值与差异系数：

$$ e_j=-\frac{1}{\ln n}\sum_{i=1}^n p_{ij}\ln(p_{ij}+\varepsilon),\qquad g_j=1-e_j \tag{12} $$

权重：

$$ w_j=\frac{g_j}{\sum_{j=1}^m g_j} \tag{13} $$

5. RSR 值计算

先计算加权秩和：

$$ S_i=\sum_{j=1}^m w_j r_{ij} \tag{14} $$

再进行标准化：

$$ RSR_i=\frac{S_i}{n},\quad 0<RSR_i\le 1 \tag{15} $$

6. Probit 变换与回归分析（可选）

系统支持 RSR 的 Probit 转换与线性回归，用于分级与校正。

6.1 累积频率与 Probit

$$ F_i=\frac{\operatorname{rank}(RSR_i)-0.5}{n} \tag{16} $$

$$ Probit_i=\Phi^{-1}(F_i)+5 \tag{17} $$

其中 $\Phi^{-1}(\cdot)$ 为标准正态分布的逆函数。

6.2 回归与矫正值

对 $RSR$ 与 $Probit$ 进行回归：

$$ RSR_i=a+b\cdot Probit_i \tag{18} $$

回归预测得到矫正值：

$$ \widehat{RSR}_i=a+b\cdot Probit_i \tag{19} $$

7. 分档与分组

系统提供 RSR 分档功能，默认按 RSR 值排序后等频分组（每组样本数尽量相同）。分档数量可在 UI 中设置（建议 3–10 组）。

8. 输出结果与图表

Excel 常见 sheet：

RSR分析结果（含 RSR 值、排名、分组）
原始数据
秩次矩阵
权重设置
回归分析（若启用 Probit 回归）
统计信息

图表：

RSR 值分布图
RSR 值排序图 / 前 N 名排名图
组别对比图 / 分布箱线图（视参数启用）

9. 论文写作模板

9.1 方法描述模板

“本文采用秩和比法（RSR）对多个评价对象进行综合评价。首先根据指标属性将指标划分为正向、负向与适度型，并对适度型指标按式(2)进行贴近度转换；随后进行秩次转换（式(6)–(8)），并采用 $w_j$ 加权得到 RSR 值（式(14)–(15)）。RSR 值越大表示综合评价越优。”

9.2 结果描述模板

“实证结果显示，样本 $i$ 的 RSR 值为 $RSR_i$，排名位于第 $k$ 位。进一步分组结果表明，高等级组的 RSR 均值显著高于低等级组，说明评价对象在关键指标上存在结构性差异。”

9.3 图表题注模板（示例）

图 1 RSR 值分布直方图。
图 2 RSR 值排序图（按 RSR 值从高到低）。
图 3 各分组 RSR 值对比图。

9.4 表格模板（示例）

表 1 RSR 综合评价结果

样本	RSR值	排名	分组

表 2 指标权重与类型

指标	类型	权重

10. UI 参数一一对应表（与界面一致）

UI 参数	符号/变量	作用	取值/说明
指标类型（正向/负向/适度）	指标方向	决定秩次计算方向	正向：越大越好；负向：越小越好；适度：接近最优值越好
适度指标最优值	$x_j^*$	适度指标贴近度计算	未填时默认使用样本均值
秩和比方法	编秩方式	决定秩次计算公式	整次秩和比法 / 非整次秩和比法
小数位数	输出精度	结果显示精度	2–8 位（默认 4）
显示详细结果	结果明细	输出更多中间表	勾选后输出详细表格
权重设置	$w_j$	指标权重	等权 / 熵权 / 自定义
分档数量	组数	RSR 分组数量	建议 3–10
可视化图表	图表输出	生成图表	分布图/排序图/分组图等

说明：适度指标必须填写“最优值”，否则系统默认使用样本均值进行贴近度转换（式(2)）。权重方法影响排序结果，需在论文中说明来源与合理性。

11. 英文模板段落与图表题注（可选）

英文方法段：

We apply the Rank Sum Ratio (RSR) method to construct a composite evaluation index. Each indicator is converted into ranks according to its direction (benefit/cost/moderate), and the weighted rank sum is normalized to obtain $RSR_i$ (Eq. 14–15). A larger $RSR_i$ indicates better comprehensive performance.

英文结果段：

The results show that sample $i$ achieves an $RSR_i$ value of $\hat{RSR}_i$ and ranks $k$-th among all samples. The grouping results further suggest distinct performance tiers, indicating structural differences across evaluation objects.

英文图题模板：

Figure 1. Distribution of RSR values across samples.
Figure 2. RSR ranking plot sorted in descending order.
Figure 3. Comparison of group-wise RSR values.

12. 注意事项

适度指标需填写最优值，否则系统默认使用样本均值；
权重方法会影响排序结果，建议在论文中说明权重来源；
若存在大量并列值，可选择平均/最小/最大秩次法以提高稳健性；
RSR 适用于指标量纲不同、样本量较小的综合评价场景。

13. 实现说明与注意事项

当前项目中的 RSR 实现位于 具体的算法/rsr_desktop/core/rsr_calculator.py，其真实流程比教材里“编秩后求平均”更完整，主要包括以下几点：

输入支持 Excel 与 CSV；第一列默认为样本名称，其余列为指标值。若存在缺失值，代码会先尝试用列均值填充。
编秩既支持整次秩和比法，也支持非整次秩和比法；非整次编秩可选择 min / max / dense / first 等策略，因此并列值处理并不是唯一固定口径。
指标方向支持效益型与成本型；适度型指标需要先做贴近度转换，再进入编秩步骤。
权重既可等权，也可自定义；最终导出的 Excel 常见工作表包括 RSR分析结果、原始数据、秩次矩阵、权重设置、回归分析、统计信息。
若运行环境缺少 scipy 或 sklearn，Probit 与回归分析会被跳过或降级处理，因此论文中若引用 Probit 结果，应确认对应环境确实启用了该步骤。

因此，这个模块更准确的定位应是“支持多种编秩口径、可选 Probit 回归与等级分档的 RSR 综合评价系统”，而不是单一步骤的 RSR 公式演示。

14. 单篇终审补充

14.1 图题与表题对齐建议

原始数据 表可写为：表X RSR 原始数据表。
秩次矩阵 表可写为：表X RSR 秩次矩阵表。
权重 表可写为：表X RSR 指标权重表。
RSR分析结果 表可写为：表X RSR 值与排序结果表。
分组信息 表可写为：表X RSR 分组结果表。
统计信息 表可写为：表X RSR 统计汇总表。
参数设置 表可写为：表X RSR 参数设置表。
图表 表可写为：表X RSR 图表索引表。
RSR值分布图.png 建议写为：图X RSR 值分布图。
RSR值排序图.png 建议写为：图X RSR 值排序图。
权重分布图.png 建议写为：图X RSR 指标权重分布图。

14.2 终审说明

当前可作为代表性结果目录的路径可采用 具体的算法/rsr_desktop/results/RSR分析结果_20260329_163920。主结果文件为 RSR分析结果_20260329_163920.xlsx，同目录还保留 RSR复现结果_20260329_163920.xlsx 与三张实体图。
主结果簿的真实工作表为 原始数据/秩次矩阵/权重/RSR分析结果/分组信息/统计信息/参数设置/图表；复现结果簿的真实工作表为 原始数据/秩次矩阵/权重/RSR分析结果/分组信息/统计信息/参数设置。也就是说，复现结果簿比主结果簿少一张 图表 sheet，论文若引用图表索引，应以主结果簿为准。
当前真实图文件稳定为 RSR值分布图.png、RSR值排序图.png、权重分布图.png。这三张图都位于结果目录根部，不存在额外 charts 子目录，因此图题引用时应直接绑定这些文件名对应的图义。
当前历史 repro 脚本为 repro_rsr_20260329_163920.py，但脚本中的 SRC_FILE 仍写成 pytest 临时目录绝对路径 /private/var/.../rsr_ui_input.xlsx，而不是 repro_inputs/...。这一点必须在终稿中如实说明，不能把它误写为标准化复现脚本。
因此，RSR 这一篇在论文终审说明里应区分“主结果目录的 xlsx+图像证据”和“历史脚本的复现能力”。前者可直接支撑正文和附录，后者只能说明存在脚本化复跑能力，但当前口径仍有旧路径遗留。

14.3 全量强化补充

当前应锁定的主结果目录是 具体的算法/rsr_desktop/results/RSR分析结果_20260329_163920。主工作簿是 具体的算法/rsr_desktop/results/RSR分析结果_20260329_163920/RSR分析结果_20260329_163920.xlsx，复现再生成工作簿是同目录下的 RSR复现结果_20260329_163920.xlsx。
主工作簿当前实际工作表为 原始数据、秩次矩阵、权重、RSR分析结果、分组信息、统计信息、参数设置、图表；复现结果工作簿当前实际工作表为 原始数据、秩次矩阵、权重、RSR分析结果、分组信息、统计信息、参数设置。因此主结果和复现结果不能混写成“完全一致的两本输出”，二者差异就在 图表 sheet 是否存在。
当前三张实体图稳定位于结果目录根部，分别是 具体的算法/rsr_desktop/results/RSR分析结果_20260329_163920/RSR值分布图.png、RSR值排序图.png、权重分布图.png。因为这里没有 charts/ 子目录，所以图题或附录路径应直接引用根部文件。
当前 repro 脚本为 具体的算法/rsr_desktop/results/RSR分析结果_20260329_163920/repro_rsr_20260329_163920.py。脚本内的真实输入口径不是 repro_inputs/...，而是硬编码绝对路径 SRC_FILE = '/private/var/folders/.../rsr_ui_input.xlsx'。这说明它来自一次测试环境产物，当前并不具备理想的可移植复现口径。
因此，这篇文档在终审层面应把“主结果目录里的 xlsx 与图像”视为当前最可靠证据，而把 repro_rsr_20260329_163920.py 视为历史脚本化痕迹。若后续要在附录中宣传可移植复现，必须先修正脚本路径；在当前磁盘现状下不能把它写成标准 repro_inputs/... 复现方案。

15. 软件实现核查补充（2026-07）

15.1 当前软件实现口径

本软件当前对应的源码目录为 具体的算法/rsr_desktop，核心计算既包括 core/rsr_calculator.py 中的 RSRCalculator，也包括界面实际调用的 ui/calculation_thread.py 中的 RSRCalculationThread。用户从主界面执行分析时，主要走后台线程流程：数据预处理、指标方向调整、编秩、权重计算、RSR 值、分组、统计汇总、Excel 和图表导出。

因此，文档中的 Probit 回归、矫正值等内容可作为理论补充和核心类能力说明；当前主界面实际结果以 RSR分析结果、秩次矩阵、权重、分组信息、统计信息、参数设置 和三张图为主要交付。

15.2 输入数据和界面参数

数据支持 Excel/CSV，样例文件位于：

uploads/rsr_sample.xlsx
uploads/rsr_sample.csv

数据表默认第 1 列为样本或评价对象名称，后续列为数值型指标。程序要求至少 2 个样本、至少 1 个指标；非数值内容会尝试转为数值，缺失值处理方式由参数决定。

当前主界面流程包括：加载示例数据 或导入数据、设置权重、设置指标类型、设置参数、开始RSR分析。权重设置支持 等权重法、熵权法、自定义权重。指标类型设置界面当前显示 极大型指标（效益型） 和 极小型指标（成本型） 两类；计算线程内部也兼容 适度指标/适中指标，若参数中包含最优值，会先转为贴近度。

参数设置包括：

编秩方法：主界面常见为 平均值法、最小值法、最大值法，后台也兼容 整次秩和比法、非整次秩和比法；
分档数量：通常 3 到 10 档，默认 5；
缺失值处理：排除缺失值、均值填充、中位数填充、前向填充；
是否启用标准化：默认启用；标准化方法可为 z_score、min_max、robust；
输出精度和详细结果显示以参数记录为准。

15.3 输出结果和图表解释

程序会在 results/RSR分析结果_YYYYMMDD_HHMMSS/ 下生成结果目录，主结果文件通常命名为 RSR分析结果_YYYYMMDD_HHMMSS.xlsx。主要工作表包括：

原始数据：本次参与分析的数据；
秩次矩阵：各指标的秩次结果；
权重：实际使用的指标权重；
RSR分析结果：样本、RSR 值、排名、分组等主结果；
分组信息：各分组范围和样本归属；
统计信息：RSR 值和分组统计；
参数设置：本次分析参数；
图表：嵌入或索引图像。

当前主界面导出的实体图通常包括：权重分布图.png、RSR值分布图.png、RSR值排序图.png。解释时，RSR值 越大综合评价越优；排名应结合权重和指标方向解释，不应只看原始指标值。若使用分组结果，重点说明分组范围和各组样本，而不是把分组标签理解为绝对等级。

15.4 复现和源码对应关系

当前结果弹窗提供 导出复现代码、打开结果目录、打开结果文件。按 ui/main_window.py 当前源码，导出复现代码时会在结果目录下创建 repro_inputs/，复制输入文件为 rsr_input.*，并生成 repro_rsr_*.py；脚本默认读取 repro_inputs 内副本，也支持通过 --input 和 --out-dir 覆盖。

需要区分历史结果和当前实现：旧结果目录中可能保留硬编码临时路径的历史 repro_rsr_*.py；当前源码的导出逻辑已经改为相对 repro_inputs 口径。对外说明应以本次实际导出的复现脚本为准。

源码对应关系如下：

main.py：程序入口、路径、日志、软件运行环境、授权通过后进入主界面、应用图标。
core/rsr_calculator.py：RSR 核心类，包含数据加载、整次/非整次编秩、等权/熵权/自定义权重、Probit、回归、矫正值和分档能力。
ui/calculation_thread.py：当前主界面后台计算流程，负责预处理、标准化、方向调整、编秩、权重、RSR、分组和统计。
ui/main_window.py：主界面步骤控制、开始分析、保存 Excel、生成图表、结果弹窗和复现代码导出。
ui/upload_widget.py：数据上传和示例数据辅助。
ui/weight_dialog.py：等权重法、熵权法、自定义权重设置。
ui/indicator_type_dialog.py：极大型/极小型指标类型设置。
ui/parameter_dialog.py、ui/param_dialog.py：参数设置对话框。
core/chart_generator.py、core/rsr_repro.py：图表和复现辅助能力。

15.5 适用边界和常见误读

RSR 是基于秩次的综合评价方法，适合样本量不大、指标量纲不同、需要排序和分档的综合评价场景。它不直接刻画指标间因果关系，也不等于监督学习预测模型。

标准化、编秩方法、指标方向和权重都会影响 RSR 值。若样本数量很少或大量并列值存在，排名可能对编秩策略敏感；若自定义权重没有明确来源，报告中应说明其依据。对于差距很小的 RSR 值，应解释为表现接近，而不是机械放大名次差异。