这是因为PCA和熵权法的权重赋值方法不同。
PCA 权重赋值标准：PCA 方法根据变量的方差和相关性分配权重。变量的权重取决于其贡献于总方差的程度。具体来说，PCA 会将权重赋予于具有以下特性的变量，即方差较大、与其他变量相关性较高、贡献于总方差较大的主成分。在这种情况下，具有较大方差和相关性的变量会被赋予较高的权重。
熵权法权重赋值标准：熵权法根据变量的信息熵和数据离散度分配权重。变量的权重取决于其信息熵的大小。具体来说，熵权法会将权重赋予于具有以下特性的变量，即信息熵较大、数据离散度较高、含有更多信息的变量。在这种情况下，具有较高信息熵和数据离散度的变量会被赋予较高的权重。
举个不完全全面的例子：A数据很离散但值不大，B的值很大但相对集中，且B与其他变量的相关性较高。
PCA 法：由于 B 的值很大，并且可能与其他变量相关性较高，因此 B 会被赋予较高的权重。而 A 的数据虽然很离散，但由于值不大，因此可能会被赋予较低的权重。
熵权法：由于 A 的数据很离散，因此其信息熵较大，熵权法会将较高的权重赋予于 A。而 B 的值虽然很大，但由于相对集中，因此其信息熵较小，熵权法会将较低的权重赋予于 B。
因此，在 PCA 中，B 的权重可能会高于 A 的权重，在熵权法中，A 的权重可能会高于 B 的权重。
这应该能在一定程度上解释你遇到的问题，可以就你的数据进一步分析。

哇！谢谢你详细的回复！！我剔除一些变量后得到想要的结果啦！