Python因素級別組合

Question

我正在嘗試創建注意力網絡任務的Python版本。將此作爲參考（第3頁）：http://www.researchgate.net/publication/7834908_The_Activation_of_Attentional_Networks

我總共有216個試驗。其中一半將是「一致的」，一半是「不一致的」。此外，216的三分之一將是「nocue」，另外三分之一將是「中心」，並且最後三分之一將是「空間的」。這216個試驗中的每一個將是上述的一些組合（例如全等 - 空間的，不一致的，無）

這是我如何創造這些試驗現在：

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個問題...

1. 現在，這個工作，但其中重要的一點是確保均勻分配水平的重刑。

例如，我需要確保所有的「一致」試驗有相同數量的「nocue」，「中心」和「空間」試驗。相反，例如，所有的「nocue」試驗都需要半數的「一致」和「不一致」試驗。

鑑於我隨機洗牌的條件，目前無法保證。這甚至會超過無限的樣本量，但這不是這種情況。

我該如何確保平等分配？

我已經採取了看笛卡爾乘積（https://docs.python.org/2/library/itertools.html#itertools.product），但我不完全，這將有助於我實現平等問題

一旦上述已然後我需要確保在最後的洗牌列表中，每個試驗類型（例如全等空間）在列表順序中遵循相同次數的相同次數

Answer 1

一個簡單的選項是生成216個試驗清單和洗牌：

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) 

試驗將成爲一個隨機排序的列表，每個列表中有36個列表。

編輯：你的編輯是一個更難的問題，說實話，我需要更多地考慮它，找出是否有解決方案或證明你不能擁有所需的財產。

如果「足夠接近」甚至可以工作，我能想到的最好的方法就是採用一種方法：洗牌清單，檢查所有a-> b計數是否在4-8之間，如果它們重新開始不是。一般在我的機器上運行1-5秒鐘：

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)