Python因素级别组合

Question

我正在尝试创建注意力网络任务的Python版本。将此作为参考（第3页）：http://www.researchgate.net/publication/7834908_The_Activation_of_Attentional_Networks

我总共有216个试验。其中一半将是“一致的”，一半是“不一致的”。此外，216的三分之一将是“nocue”，另外三分之一将是“中心”，并且最后三分之一将是“空间的”。这216个试验中的每一个将是上述的一些组合（例如全等 - 空间的，不一致的，无）

这是我如何创造这些试验现在：

import pandas as pd 
import numpy as np 
import random 

#set number of trials 
numTrials = 216 
numCongruent = numTrials/2 
numCue = numTrials/3 

#create shuffled congruency conditions 
congruent = ["congruent"] * numCongruent 
incongruent = ["incongruent"] * numCongruent 
congruentConditions = congruent + incongruent 
random.shuffle(congruentConditions) 

#create shuffled cue conditions 
noCue = ["none"] * numCue 
centerCue = ["center"] * numCue 
spatialCue = ["spatial"] * numCue 
cueConditions = noCue + centerCue + spatialCue 
random.shuffle(cueConditions) 

#put everything into a dataframe 
df = pd.DataFrame() 

congruentArray = np.asarray(congruentConditions) 
cueArray = np.asarray(cueConditions) 
df["congruent"] = congruentArray 
df["cue"] = cueArray 
print df 

2个问题...

1. 现在，这个工作，但其中重要的一点是确保均匀分配水平的重刑。

例如，我需要确保所有的“一致”试验有相同数量的“nocue”，“中心”和“空间”试验。相反，例如，所有的“nocue”试验都需要半数的“一致”和“不一致”试验。

鉴于我随机洗牌的条件，目前无法保证。这甚至会超过无限的样本量，但这不是这种情况。

我该如何确保平等分配？

我已经采取了看笛卡尔乘积（https://docs.python.org/2/library/itertools.html#itertools.product），但我不完全，这将有助于我实现平等问题

一旦上述已然后我需要确保在最后的洗牌列表中，每个试验类型（例如全等空间）在列表顺序中遵循相同次数的相同次数

Answer 1

一个简单的选项是生成216个试验清单和洗牌：

In [16]: opt1 = ["congruent", "incongruent"] 

In [17]: opt2 = ["nocue", "center", "spatial"] 

In [18]: from itertools import product 

In [19]: trials = list(product(opt1, opt2))*36 

In [20]: np.random.shuffle(trials) 

试验将成为一个随机排序的列表，每个列表中有36个列表。

编辑：你的编辑是一个更难的问题，说实话，我需要更多地考虑它，找出是否有解决方案或证明你不能拥有所需的财产。

如果“足够接近”甚至可以工作，我能想到的最好的方法就是采用一种方法：洗牌清单，检查所有a-> b计数是否在4-8之间，如果它们重新开始不是。一般在我的机器上运行1-5秒钟：

def checkvals(v): 
    return all(x in (4,5,6,7,8) for x in v[1].value_counts().values) 

def checkall(trials): 
    return all(checkvals(v) for k, v in pd.DataFrame(zip(trials, trials[1:])).groupby(0)) 

while not checkall(trials): 
    np.random.shuffle(trials)