简介一份涵盖联合国大会投票记录的理想点距离数据集覆盖1946—2023年面向国际关系、比较政治与政治计量领域的师生及研究者可用于估算各国在动态偏好空间中的位置距离、分析立场演化及外交结盟模式。压缩包约46.95MB共7个文件包含csv原始估计值、dta与Rdata数据格式适配Stata与R环境、PDF论文说明、docx代码手册及html数据来源说明便于快速查阅数据生成方式并直接嵌入已有研究流程。已有59人学习/下载。使用者可一次性获得多年份理想点距离估计结果、一致性评分数据以及配套的字段说明与来源文档无需另行搜集散落资料对复现论文结果、开展联盟量化分析或课程设计均有直接帮助是理想点距离主题研究的高效起始包。1. 理想点距离1946-2023年.zip先搞清这个压缩包里装的是“评价”不是“距离”拿到“理想点距离1946-2023年.zip”这个文件第一反应别去搜“理想点距离”的数学定义——那只会把你绕进拓扑学。在绝大多数数据包里它指的是 TOPSIS逼近理想解排序法里的正理想解距离 D或者由 D、D- 算出来的贴近度 C。说白了这份 zip 装的是 1946 到 2023 年间逐年算好的“评价结果序列”通常用于灾害风险、环境质量或者城乡发展水平这类多指标综合评估。你能用它直接画趋势、找突变点也可以拿它反推当年的各指标表现。适合谁手头有面板数据但不想从零复现 TOPSIS 的人以及做长时间序列分析时缺一个“现成评价口径”的从业者。但它有个更容易被忽略的点zip 本身可能带着伪加密、编码错乱和跨年口径不一致的坑解压只是第一步。2. 把 zip 解压做对伪加密、编码与文件校验2.1 先判断压缩包属性标准 zip 还是伪加密很多人在 Windows 上双击这个 zip弹出来要输密码就顺手去找“zip密码移除”工具实际上白费劲。常见情况是文件本身没加密只是压缩包被做了伪加密标记flag bit 第 6 位被置 1解压软件看到标记就要求输密码。先用命令行试一下能解开就说明是伪加密。unzip -l 理想点距离1946-2023年.zip-l只列目录不解压如果这一步能正常列出内容而不是报错要求密码那就有八成把握是伪加密。再进一步用 Python 读取压缩包标志位import zipfile zf zipfile.ZipFile(理想点距离1946-2023年.zip) for info in zf.infolist(): flag info.flag_bits # 0x1 是伪加密标志0x4 才是真加密标志 is_pseudo bool(flag 0x1) and not (flag 0x4) print(info.filename, 伪加密 if is_pseudo else 正常) if is_pseudo: # 直接把伪加密位清掉生成可正常解压的新包 pass这段代码里最关键的是flag_bits的判断位。0x4 表示条目真的用密码加密了0x1 只是打个“需要密码”的标记。真加密时两个位都可能置位但伪加密通常只置 0x1。清除伪加密的常见做法是逐字节重写压缩包头部把第 6 位清零。不过更省事的做法是用 7-Zip 或 WinRAR 直接忽略密码提示解压多数伪加密包能直接拖出来。Windows 上右键“全部解压”遇到这种包往往会失败不是数据坏了是解压策略太严格。2.2 用 Python 解压并校验文件完整性确认不是真加密之后用脚本批量解压并校验 CRC顺便把文件名乱码问题一起处理了。这个包大概率是中文文件名Windows 下用繁体或简体编码打包都有可能。import zipfile import os z zipfile.ZipFile(理想点距离1946-2023年.zip) # 逐个解压避免单个文件 CRC 错误导致全部中断 for info in z.infolist(): try: data z.read(info.filename) # 如果文件名是 GBK先修正编码 try: name info.filename.encode(cp437).decode(gbk) except UnicodeDecodeError: name info.filename out_path os.path.join(output, name) os.makedirs(os.path.dirname(out_path), exist_okTrue) with open(out_path, wb) as f: f.write(data) print(解压 OK:, name) except RuntimeError as e: # RuntimeError 通常是 CRC 校验失败文件已损坏 print(解压失败:, info.filename, e)这段脚本把 read 和 write 拆开逐条处理某一年数据坏了不至于整个包解不出来。cp437转gbk是因为 zip 标准规定文件名用 UTF-8 编码但很多国产工具直接塞了 GBK解压软件就按 cp437 去解码结果全是乱码。如果你解压出来看到一串“銆??”之类的乱码基本就是编码问题。2.3 看数据形态是逐年一个文件还是单文件时间序列解压完第一件事是数文件、看结构别急着打开。这决定后续用哪种方式做时间序列分析。tree output/ -L 2常见有两种形态。第一种是 78 个单独文件1946 到 2023 共 78 年每个文件里是一年的截面数据第二种是单文件 CSV第一列是年份后面是指标列和距离列。前者适合做逐年截面分析后者适合直接画趋势。如果你数出来不是 78 个而是 74 或者 80就要警惕是数据缺年还是把 2023 年整体算进去了但早年有合并。1946 到 2023 按自然年算确实是 78 行不少数据包会把首尾年份写错这个细节直接决定后面做突变点检验的基数。2.4 数值读入时的类型陷阱用 pandas 读 CSV 时最常见的坑是“理想点距离”列被读成 object 而不是 float。原因是文件里混了缺失值占位符比如空字符串或者-。import pandas as pd import numpy as np df pd.read_csv(ideal_distance.csv, encodingutf-8-sig) # 把非数值占位符统一转成 NaN而不是 0 df[ideal_distance] pd.to_numeric(df[ideal_distance], errorscoerce) df df.dropna(subset[ideal_distance]) print(df.dtypes) print(df.head())utf-8-sig编码是为了吃 BOM 头很多从 Excel 另存的 CSV 会带 BOM直接utf-8读会让第一列列名变成\ufeffyear。这里最关键的是errorscoerce缺失值转 NaN 而不是 0因为缺失和 0 在评价序列里的含义完全不同。0 会被当成理想的贴近度画进趋势图直接拉低整条线而 NaN 至少会让统计检验跳过它。数据行数和年份唯一性也要顺手查df[year].is_unique是 False 就说明有重复年后面聚合时直接翻车。3. 复算理想点距离从离差标准化到正负理想解的逐年计算3.1 为什么“理想点距离”不等于欧氏距离很多人拿到这个包以后第一件事是拿numpy.linalg.norm去算距离发现跟包里的数值对不上就以为数据错了。其实 TOPSIS 里的“理想点距离”有严格的构造前提要先做指标同向化再标准化然后确定正理想解和负理想解最后才算欧氏距离。如果包里给的是 D那公式是D sqrt(sum((标准化值 - 正理想解)^2))其中正理想解是每个指标在所有被评估对象里的最大值正向指标或最小值逆向指标。如果你直接拿原始值算量纲差异会把结果带偏比如 GDP 是万亿级别某个人均指标只有几千平方和后 GDP 完全统治距离值。3.2 复算步骤同向化、离差标准化、确定理想解写一个逐年复算的函数输入是当年的指标矩阵输出是 D、D- 和贴近度 C。import numpy as np import pandas as pd def topsis_by_year(df, indicators, cost_colsNone): df: 某一年截面数据行是评估对象列是指标 indicators: 正向指标列名列表 cost_cols: 逆向指标列名列表越小越好 cost_cols cost_cols or [] data df[indicators cost_cols].copy() # 1. 同向化逆向指标取倒数或取负这里用 max - x if cost_cols: for col in cost_cols: data[col] data[col].max() - data[col] # 2. 离差标准化到 [0,1] norm_data (data - data.min()) / (data.max() - data.min()) norm_data norm_data.fillna(0) # 3. 正负理想解 ideal_best norm_data.max(axis0) ideal_worst norm_data.min(axis0) # 4. 欧氏距离 d_plus np.sqrt(((norm_data - ideal_best) ** 2).sum(axis1)) d_minus np.sqrt(((norm_data - ideal_worst) ** 2).sum(axis1)) # 5. 贴近度 CC 越大越优 c_score d_minus / (d_plus d_minus) result df.copy() result[D_plus] d_plus result[D_minus] d_minus result[C_score] c_score return result这段代码把 TOPSIS 全流程拆成了五步。注意离差标准化里有一行fillna(0)这是双刃剑如果某年指标全缺标准化后全是 NaNfillna(0) 会把所有对象都变成“最差”C 值算出来是 0趋势图上会出现一个突兀的断崖。更稳妥的做法是先看缺失比例再决定是删除这年还是插值而不是一概填 0。3.3 参数说明正向指标和逆向指标的判定indicators和cost_cols是这套逻辑里唯一需要人工判断的参数。判断依据是专业知识而不是统计检验GDP、人均收入、植被覆盖率这类越大越好的进indicators灾害死亡人数、污染物浓度、基尼系数这类越小越好的进cost_cols。如果分不清可以画箱线图看分布再结合评估报告里的口径说明去判断。同一个指标在不同体系里方向可能相反比如“城镇化率”在城乡发展评估里是正向在生态环境压力评估里可能被当作逆向。数据包里如果只给了 D 而没给指标方向你在复算时只能假设方向和原数据包一致这是最大的不确定点。3.4 逐年计算的隐藏问题指标跨年不可直接比较TOPSIS 是按“当年截面”计算理想解的这导致一个反直觉结果1946 年的 D 和 2023 年的 D 不能直接比大小。因为正理想解是当年所有样本里的最优值每年最优值不同标准化基准也不同。比如 1950 年所有地区的指标都很差最优解也差当年 D 值反而可能小于 2020 年某个普通地区的 D。这意味着直接拿 D 画长期趋势会有误导。更合理的做法是拿 C_score贴近度或者改用“全局理想解”重新计算。如果包里的理想点距离是逐年截面算的你需要在分析时注明这一点否则结论经不起推敲。4. 权重是黑匣子等权与熵权法的敏感性对照4.1 权重从哪来数据包没说是最大的不确定性绝大多数“理想点距离.zip”只给计算结果不给权重。TOPSIS 本身不要求固定权重默认等权但很多实际方案用的是熵权法、AHP 或者专家打分。权重一变D 的排序就变。这就是这套数据的“黑匣子”所在你可以复算距离但没法确认原权重。常见应对是“敏感性对照”——分别用等权和熵权法复算看结论稳不稳定。如果两种权重下排名波动很大这套数据的结论就只能当参考不能当定论。4.2 用熵权法重算权重做对照熵权法的思想是指标差异越大权重越高。代码不复杂但容易在 log 计算上踩坑因为标准化后有 0 值log(0) 直接报错。def entropy_weight(norm_data): norm_data: 已经离差标准化的 DataFrame值在 [0,1] 返回各指标权重 Series # 平移修正避免 log(0) p norm_data 1e-10 p p / p.sum(axis0) n len(p) k 1 / np.log(n 1e-10) e -k * (p * np.log(p)).sum(axis0) d 1 - e w d / d.sum() return w norm_data (data - data.min()) / (data.max() - data.min()) w entropy_weight(norm_data) print(w)1e-10是这里最实用的一个微调参数目的就是防止 0 值进入 log。k 1 / log(n)是熵值归一化系数n 是样本数不是指标数。算出来的w越小说明这个指标在样本间差异越小对排序的贡献越低。注意熵权法算出的权重和年份有关某年某个指标各区域都差不多它那年的权重就极低这会让跨年对比更不稳定。所以做长期分析时我一般建议用全时段所有样本一起算权重而不是逐年单独算。4.3 看排序稳定性用秩相关系数判断结论是否可信对照不只是看看权重数值差异要落到最终结论上——排序变了多少。用 Spearman 秩相关来量化两次排序的一致性。from scipy.stats import spearmanr rank_equal result_equal[C_score].rank() rank_entropy result_entropy[C_score].rank() rho, p_value spearmanr(rank_equal, rank_entropy) print(fSpearman rho {rho:.3f}, p {p_value:.3f})rho 大于 0.9 说明权重影响不大原包结果可信低于 0.7 说明排序敏感继续往下分析前先想清楚用哪个口径。这段代码是在做敏感性验证不是常规业务逻辑但它回答了一个关键问题这个 zip 值不值得深挖。如果两种权重下排序天差地别那所有基于原包距离的时序结论都需要重新审视。5. 理想点距离数据的常见坑解压、编码与跨年口径的排查清单5.1 zip 伪加密解压时要求密码但数据根本没加密现象双击 zip 弹出密码输入框用 WinRAR 修复也无效网上搜“zip密码移除”找到一堆来路不明的工具。 原因压缩包被第三方打包工具标记了伪加密位flag bit 0x1解压软件误判为加密。 解决先用 2.1 节的 Python 脚本检查flag_bits。如果是伪加密7-Zip 打开后直接点“提取”多数情况下不输入密码也能解出来。实在不行就用脚本把中央目录的 flag 位清零重写一个包但注意操作前备份原件。这个坑能排掉 80% 的“加密 zip 解压”问题。5.2 CSV 第一列名带 BOM年份列名变成\ufeffyear现象df[year]报 KeyError打印列名才发现第一列叫\ufeffyear。 原因文件从 Excel 另存为 CSV 时写了 UTF-8 BOMPython 默认utf-8解码不剥离 BOM。 解决读取时指定encodingutf-8-sig。这个坑在中文技术社区里几乎屠榜所以做任何 CSV 处理我默认带-sig除非明确知道文件没有 BOM。5.3 数据行数对不上 78 年现象1946 到 2023 年份范围看起来是 78 行实际解析出来只有 74 或 76 行。 原因打包者在早期某些年份没数据直接跳过了或者首年用了“1946-1950”区间合并格式年份列不是标准整数。 解决第一步先检查年份列的最小值和最大值再看有没有跳年years df[year].astype(int) expected set(range(1946, 2024)) actual set(years) missing sorted(expected - actual) print(缺少年份:, missing)这比肉眼扫快得多。缺的年份如果是早期战争年代可能正常如果是近十年缺了某一年那就要找原始数据补或者明确在论文里写“样本不含缺失年份”。5.4 缺失值被填充为 0理想点距离被低估现象某几年的 D 明显低于前后年份画趋势图出现“断崖”逐行查数据发现那几年所有对象的 C_score 都是 0。 原因前面 3.2 里提到标准化后缺失值被fillna(0)替代0 在标准化空间里是全局最差值导致距离计算全偏。 解决不要在复算时填 0先统计每年缺失值比例missing_ratio df.isna().mean(axis1) print(df[missing_ratio 0.5])缺失比例超过一半的年份直接剔除或改用插值。如果是晚近年份出现系统缺失多半是指标采集口径变了插值救不了需要核对原始统计口径。5.5 跨年指标口径不一致同一列名不同时期含义不同现象1950 年代某指标名称和 2020 年代相同但取值范围和分布完全不同复算后的贴近度序列在某一节点发生“台阶式跳变”。 原因统计口径调整比如“建成区面积”早期只统计城区后期纳入郊区或者行政区划变动导致对象集合变化。 解决只在确定的统计口径区间内做趋势分析或者用“全局理想解”重算。窗口切分是常用的兜底方案df[regime] pd.cut(df[year], bins[1946, 1980, 2000, 2024], labels[early, mid, recent]) for regime, sub in df.groupby(regime): # 分别复算或分别做趋势检验 pass如果你发现趋势突变点正好落在 1980 或 2000 附近先别急着解读成历史事件优先怀疑是口径切换。6. 把理想点距离用起来趋势检验与突变点定位数据清洗完、复算完权重这 78 个点才能变成有意义的结论。短序列n 100不适合强行上 ARIMA 这类需要大样本的模型先做趋势检验和突变点检测更务实。from scipy import stats # Mann-Kendall 趋势检验简化版适用 n100 无平行数据 def mk_trend(x): s 0 n len(x) for i in range(n): for j in range(i1, n): s np.sign(x[j] - x[i]) # 方差近似 var_s n * (n-1) * (2*n5) / 18 z (s - 1) / np.sqrt(var_s) if s 0 else ((s 1) / np.sqrt(var_s) if s 0 else 0) p 2 * (1 - stats.norm.cdf(abs(z))) return z, p z, p mk_trend(df[ideal_distance].values) print(fMK z {z:.2f}, p {p:.3f})p 小于 0.05 说明趋势显著z 的正负决定方向。这里用到的近似方差公式在 n78 时误差可接受n 更小的时候建议查临界值表。再算一个 Pettitt 突变点定位序列在哪一年发生均值跳变def pettitt(x): n len(x) u 0 k 0 pos 0 for t in range(n-1): for j in range(t1, n): u np.sign(x[j] - x[t]) if abs(u) abs(k): k abs(u) pos t 1 return pos, k change_year, k pettitt(df[ideal_distance].values) print(f突变年: {1946 change_year - 1})Pettitt 对单一突变点敏感适合这种逐年评价序列。如果算出来的突变年和前面怀疑的口径调整年份重合就别当历史拐点写结论。我自己的习惯是先在数据上看有没有“台阶”再想有没有历史解释——顺序反过来很容易写出“自圆其说”的结论。这套流程走完这份 zip 才能真正变成论文里的一张趋势图或一组检验表而不只是硬盘里的压缩包。希望帮到你。本文还有配套的精品资源点击获取