第二种是错的，就像你不知道方法A好还是方法B好，就用方法A的上部分+方法B的下部分，学术上这么妥协就是乱来；

第一种是常用的解决办法，但是否能用取决于数据结构，若指标值的差异很大，就会存在你担心的问题，这么做就是有问题的。你需要不依赖于数据分布的降维或者说分类方法，如比较流行的无监督学习（Deep Learning等），看学习出来的各指标在各体系里的权重，下载个包用起来还是很方便的，也值得花半天粗略学一下（可以百度一些学习笔记），其优点是能处理高维问题不依赖分布可扩展性强，缺点是不像因子分析这么直观，其他方法还包括聚类分析等。

好吧，没论坛币了，望采纳，谢谢！

首先为你的认真点赞，因为很多人做因子分析不会检验数据是否服从正态分布。既然因子分析是基于多元正态分布的，数据如果偏离正态分布很多，分析的结果也不令人放心。你对原始数据做对数变换后，原来不服从正态分布的数据现在近似服从了，数据的峰度和偏度都有效改善，不仅更适合做因子分析，也更适合做评分。所以，我建议你选择第一个方案，用新数据计算权重，再用新数据计算评分。不必担心对数变化会缩小评分差距，因为如果数据峰度很高，就会出现少数对象的评分很高，而多数对象的评分很低的现象，一般也要设法通过某种变换改善评价结果。

第一种是常用的解决办法，但是否能用取决于数据结构，若指标值的差异很大，就会存在你担心的问题，这么做就是有问题的。
---如何 客观 去判断：该数据结构是否可以用第一种方法？
可有检验方法？ 请赐教，谢谢哈

更要命的是，取自然对数之后，存在大量负数，如何对夹杂  负数、正数的 数据进行无量纲化？

已搞定了哈