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
我总共进行了216次试验。其中一半将是“全等的”，一半是“不一致的”。此外，216中的三分之一将是“ nocue”，另外三分之一将是“中心”，最后三分之一将是“空间”
216个试验中的每个试验都将是上述几种试验的组合（例如，全空间，无全非）
这就是我现在创建这些试验的方式：
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...
现在，这可行，但重要的一点是确保水平的均匀分配。
例如，我需要确保所有“一致”试验都具有相等数量的“ nocue”，“中心”和“空间”试验。相反，例如，所有“ nocue”试验都需要一半相等数量的“全等”和“不一致”试验。
考虑到我随机修改条件的方式，目前还不能保证。即使在无限大的样本量上也是如此，但这不是事实。
我将如何确保平均分配？
我看过笛卡尔乘积（https://docs.python.org/2/library/itertools.html#itertools.product），但我并不完全可以帮助我解决平等问题
解决上述问题后，我需要确保在最终的混洗列表中，每种试验类型（例如，全等空间）在列表顺序中均以相同的次数跟随其他试验类型
最佳答案
一个简单的选择是生成216个试验的列表并对其进行洗牌：
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)
试验将是一个随机排列的列表，每对有36个。
编辑：您的编辑是一个更困难的问题，说实话，我需要更多地考虑它，以找出是否存在解决方案或证明您无法拥有所需的属性。
如果“足够接近”甚至无法工作，我能想到的最好的办法是使用bogosort方法：对列表进行混洗，检查所有a-> b计数是否在4-8之间，如果不是，则重新开始。通常在我的机器上运行1-5秒：
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)