psychopy教程2-builder概念介绍

2017年10月02日

概述

Builder视图中两个最重要的概念就是Routines和Flow, 从英语的语义来说，Routines就是一些常用的环节，而在心理学实验中，刺激和反应是心理学家最关注的两个环节，所以psychopy中的环节也可以按照刺激和反应来分类。Flow的语义就是流程，他控制的就是Routines。每个实验程序只能有一个Flow但是可以有很多Routines。另外一个比Routines更小的单元叫做组件，组件组成Routine的各个零件，比如一个指导语页面包含至少两个组件，一个是文本组件一个是键盘反应组件，文本组件用于呈现指导语，键盘反应组件用于控制被试的键盘动作，这些概念后面还会介绍，不用深究。所以最后强调一点，多个组件构成一个Routine，而多个Routines形成一个FLow。

#eprime #e-prime #psychopy

psychopy教程1-入门认识psychopy

2017年09月29日

本篇文章开始正式进入psychopy的教程，先给大家介绍一下psychopy软件的两个基本视图，然后在不同的视图下实现同一个程序。如果你还没有安装psychopy，在这里可以下载和安装。

两种视图

Psychopy本质上是一个桌面软件，有两个视图：Builder视图和Coder视图，顾名思义，Builder视图基于一个友好的用户界面，用户不需要专业的编程知识，只需要鼠标点击和拖拽就能完成一个简单的实验程序；Coder视图只提供了一个代码编辑器，你需要编写代码来完成一个实验程序。两个视图各有优劣，因为我是开发软件的，所以我个人的建议是从一开始就使用Coder编写你的实验程序，一方面，编程能力是这个时代对每个人的基本要求，另一方面，Coder的工作效率非常高，尤其是当你需要经常编写实验程序的时候。如果你有编程经验，学习使用Builder和Coder的时间成本几乎是一样的。但是，如果你并没用编程经验，并且以后没有计划再次使用psychopy，Builder也许是你唯一的选择。

#psychopy #eprime/e-prime

EPrime中如使何呈现时间随机

2017年09月28日

问题：EPrime中如使何呈现时间随机

问题内容

想使trial之间插入的空屏的呈现时间在一定范围内随机，请问该如何实现？
*就是一个trial结束之后随机空屏500-1000ms
*之前在别的回答里看到有说用list实现…现在的实验设计已经是两层嵌套了，感觉再用list就= =…虽然也可以啦就是有点复杂…

谢谢回答诶~

#eprime

selenium进阶教程

2017年09月27日

本篇文章主要介绍一下python-selenium在进行自动化功能测试的时候经常用到的一些高级API，这些API的灵活运用可以提高测试脚本的质量和性能。

回顾初级教程

如果没有接触过python-selenium，恐怕你需要先浏览一下这篇文章：selenium数据采集入门(for psychologist)

#python #selenium

psychopy中文版安装(附下载地址)

2017年09月27日

简介

psychopy是著名的心理学刺激呈现软件，类似eprime，但是因为加持python，所以远比eprime强大，而且psychopy和eprime类似，有适合非专业人士的图形界面，也有适合程序员的coder模式，更有对openGL的支持。

软件特点

具体来说它有如下特点：

安装简单
精准的时间控制
丰富的刺激类型
- 文字
- 图片
- 视频
- 点、线、图形
- 声音
- 几乎任何你想到的刺激
跨平台，linux、windows、mac都支持
coder和builder模式，支持图形界面和编程
多显示器呈现刺激
支持多种通讯接口，支持各种脑电和眼动设备

软件下载链接/地址

MAC和WINDOWS版下载: http://pan.baidu.com/s/1o7JHtcY 密码：9d5e

软件安装过程

其实软件安装非常简单，只要一路next即可，所以，我这里只贴下截图，有问题在下面留言。

实验程序开发

如果你的实验程序非常复杂，需要帮助，可以联系我的QQ675495787，或者访问店铺

#eprime #psychopy

gitlab和git入门

2017年09月07日

安装 git for windows

下载链接：http://pan.baidu.com/s/1b1hNtG 密码：pe3y。

安装很简单，不详细介绍。

初始设置

1 2	git config --global user.name "gitlab网站的用户名" git config --global user.email "注册的邮箱"

复制代码

从gitlab克隆一个项目：

http://gitlab.eachina.com:10080/ydsun/functional-test.git

1	git clone http://gitlab.eachina.com:10080/ydsun/functional-test.git

修改代码

可以新建、删除、修改文件。

保存修改

你修改的代码只是保存在工作区，并没有进入版本仓库中，
你需要使用如下命令保存修改。

1 2	git add . git commit -m "增加登录测试"

推送修改

只有推动到gitlab网站，才能使得别人看到你做的修改。但是在推送之前，需要保证你已经拿到了最新的代码，所以按照以下步骤进行推送：

先更新代码，也就是从gitlab服务器中下载最新版本：

1	git pull origin master

然后再推送你的修改

1	git push origin master

#git

python-selenium撰写自动化功能测试脚本

2017年09月07日

安装

你需要参考selenium入门
来指导你安装python和selenium，
同时你还需要安装chrome和chromedriver，在这篇文章中有详细的介绍。

撰写用例

在写功能测试脚本之前，需要先指导测什么。这就是用例的作用。用例要详细描述一个用户的操作行为，用到的数据，得到的反馈等。
比如我们想要测试网站的登录功能，我们可以这么写：

打开网址http://www.mlln.cn
点击登录按钮
输入用户名和密码
点击登录
验证登录是否成功

用例要列出所有可能的反馈，测试也要测试到所有可能情况。比如简单的登录功能，首先要测试成功登录的情况，然后要测试用户名或密码错误的情况。
网站应当根据不同的用户操作给出不同的反馈。

编写脚本

脚本就是一段代码，用于执行一个特定的功能。通常一个*.py文件存放一个脚本，一个测试脚本的大体结构应当是这样的：

文件中最上面写用例, 用三个引号表示。比如'''这是一个测试用例的描述文字 '''
准备阶段：准备好测试用到的数据，比如你要测试的是登录功能，你需要提前写入数据一个账号和密码，用于测试，写入数据的过程就是准备过程
测试阶段：写代码执行测试
销毁阶段：在准备阶段写入的数据应当在销毁阶段销毁，也就是删除测试账号。关闭任何打开过的浏览器或其他软件。

测试脚本文件名称以test_开头。

下面是一个测试脚本的样例：

'''
这里描述测试用例
'''
import settings
import selenium


def prepare():
	'''准备阶段'''
	pass


def test():
	'''测试阶段'''
	pass


def destroy():
	'''销毁阶段'''
	pass

#selenium

svd和pca的区别和联系，附代码实现

2017年06月28日

svd=singular value decomposition
pca=principal component analysis

在做潜在语义分析(lsa)的时候，我用的svd，感觉svd和pca非常像，但是又有区别。所以查了一些资料，在这里翻译一下，并在最后，贴上python代码比较了这两种方法。

PCA

假设\( \mathbf X \)是一个\( n \times p \)的矩阵，n是样本量, 而p是变量个数。那么，我们就可以计算得到协方差矩阵\( \Singma \)：

\[ \Sigma=X^TX/(n-1) \]

由于\( \Sigma \)是对称矩阵，那么它可以对角化:

\[ \Sigma = \mathbf V \mathbf L \mathbf V^\top \]

\( \mathbf V \)就是\( \mathbf X \)的特征向量构成的矩阵，而\( \mathbf L \)是一个对角矩阵，对角元素就是特征向量对应的特征值。

用\( \mathbf Y \)表示主成分矩阵，\( y_i \)表示第i个主成分向量。用\( v_i \)表示第i个特征向量。那么有关系式：

\[ y_i= \mathbf X v_i\]

即：

\[ Y= \mathbf X \mathbf V \]

SVD

接下来我们看看SVD的性质。对\( \mathbf X \)进行SVD分解：

\[ \mathbf X = \mathbf U \mathbf S \mathbf V^\top \]

\( \mathbf V \)和上面提到的\( \mathbf V \)是一样的，但是在SVD中叫做singular vector(奇异向量)，而\( \mathbf S \)叫做奇异值构成的对角矩阵, 它与特征向量是不同的，但是他们之间是成比例的。如此，我们很容易得到：

\[ \mathbf X = \mathbf V \mathbf S \mathbf U^\top \mathbf U \mathbf S \mathbf V^\top /(n-1) = \mathbf V \frac{\mathbf S^2}{n-1}\mathbf V^\top \]

所以，特征值与奇异值之间的关系就是：

\[ \lambda_i = s_i^2/(n-1) \]

主成分也可以得到：

\[ \mathbf X \mathbf V = \mathbf U \mathbf S \mathbf V^\top \mathbf V = \mathbf U \mathbf S \]

下面我们通过python代码来探索svd和pca之间的关系

import numpy as np
from numpy import linalg as la
np.random.seed(42)


def flip_signs(A, B):
    """
    utility function for resolving the sign ambiguity in SVD
    http://stats.stackexchange.com/q/34396/115202
    """
    signs = np.sign(A) * np.sign(B)
    return A, B * signs


# Let the data matrix X be of n x p size,
# where n is the number of samples and p is the number of variables
n, p = 5, 3
X = np.random.rand(n, p)
# Let us assume that it is centered
X -= np.mean(X, axis=0)

# the p x p covariance matrix
C = np.cov(X, rowvar=False)
print ("C = \n", C)
# C is a symmetric matrix and so it can be diagonalized:
l, principal_axes = la.eig(C)
# sort results wrt. eigenvalues
idx = l.argsort()[::-1]
l, principal_axes = l[idx], principal_axes[:, idx]
# the eigenvalues in decreasing order
print ("l = \n", l)
# a matrix of eigenvectors (each column is an eigenvector)
print ("V = \n", principal_axes)
# projections of X on the principal axes are called principal components
principal_components = X.dot(principal_axes)
print ("Y = \n", principal_components)

# we now perform singular value decomposition of X
# "economy size" (or "thin") SVD
U, s, Vt = la.svd(X, full_matrices=False)
V = Vt.T
S = np.diag(s)
print ("V2 = \n", V )
# 1) then columns of V are principal directions/axes.
assert np.allclose(*flip_signs(V, principal_axes))

# 2) columns of US are principal components
assert np.allclose(*flip_signs(U.dot(S), principal_components))

# 3) singular values are related to the eigenvalues of covariance matrix
assert np.allclose((s ** 2) / (n - 1), l)

# 8) dimensionality reduction
k = 2
PC_k = principal_components[:, 0:k]
US_k = U[:, 0:k].dot(S[0:k, 0:k])
assert np.allclose(*flip_signs(PC_k, US_k))

# 10) we used "economy size" (or "thin") SVD
assert U.shape == (n, p)
assert S.shape == (p, p)
assert V.shape == (p, p)

#svd #pca

gitlab配置和基本使用方法(写给测试用)

2017年06月26日

注册账号

打开gitlab，注册一个账户。

记住账号，并把账号发送给管理员，让管理员给你设置权限。

打开网址查看项目http://123.56.79.214:10080/ydsun/auto_report_client，如果你看不到，说明你还没有权限。

下载代码

在项目主页，找到下载按钮，下载源码。下载得到一个zip压缩包，把压缩包解压到你想要放置源码的地方。

安装

打开项目主页，在主页上可以看安装的过程。

#gitlab

报告文字模板书写规范培训

2017年06月22日

注意，文章中所有 { { } } { % % } 中间没有空格

变量

用{ { } }来修饰变量，内部的值会被渲染成文本。比如 我有{ { 1 + 1 } }个苹果会被渲染成 我有2个苹果。

通常我们会提前设置好一些变量，比如，我们在写模板的时候，为了方便起见，可以先设pro_code=44，即广东省的省代码，这些变量的设置可以在word的常量表里。那么我们在需要用到省代码的地方，可以写成{ { pro_code } }，如此便能在不同的省报告中使用不同的省代码了。

计算

我们除了可以设置一些常量(如pro_code)之外，我们还可以计算一些临时变量。比如a = 500*600 ，这样，我们就得到一个变量2，他的值为500和600的乘积。除此以外，我们更常用的是如下这种形式的计算：

1	a2=V("maths_level")\|table("4stu")\|select({"province":pro_code})\|which(2)\|percent\|format({"decimal":1,"multi":100})

我们分别来说一下其中用到的一些方法。

Variable 和 table

表示变量的符号。上面的例子中，等号后面的式子，开头一个V表示variable，这是为了识别数据库中的变量。后面的参数就是变量名。Variabel 后面的 table 指明变量来自于哪一个表。为了方便起见，这两种写法是等价的：

1	V("maths_level")\|table("4stu") <==> V("maths_level", "4stu")

select

select是对数据的选择。上面的例子指明了我们的数据限定在一个省。如果要计算全国数据，直接去掉select及其参数即可。如果需要使用多个筛选条件，比如要选择广东省的男生数据，那么可以用逗号隔开两个条件，写成如下形式：(province 和 gender都是数据库中的变量，他们都需要用引号包裹起来)

1	select({"province":pro_code, "gender":1})

which

which只有在计算百分比的时候有用，因为他指的是计算谁的百分比。上例中计算的是maths_level为2的百分比。

percent & mean

这两个函数都是指明计算方法，顾名思义，前者计算百分比，后者计算平均值。

format

顾名思义，format是用来描述数据格式的。参数decimal表明小数位数，multi表明乘数，按照上例来说，percent方法的计算结果都在(0,1)之间，所以我们让结果乘以100，保留1位小数, 另外再加上一个百分号。写法就是：(decimal、multi和suffix的前后顺序不影响结果)

1	format({"decimal":1,"multi":100,"suffix":"%"})

其实你可以省略format，这时候系统会使用默认的配置，保留一位小数。百分比的结果会乘以100以后再保留一位小数。

有一个问题需要指出，就是你在计算一个变量的时候，什么时候保留小数位数你得自己设置。例如，如下两种写法是不同的：

第一种写法：先保留一位小数，再相加

1
2
3

a2=V("maths_level")|table("4stu")|select({"province":pro_code})|which(2)|percent|format({"decimal":1,"multi":100})
a3=V("maths_level")|table("4stu")|select({"province":pro_code})|which(3)|percent|format({"decimal":1,"multi":100})
aa=a2+a3

第二种写法：先相加再保留1位小数

1
2
3

a2=V("maths_level")|table("4stu")|select({"province":pro_code})|which(2)|percent
a3=V("maths_level")|table("4stu")|select({"province":pro_code})|which(3)|percent
aa= (a2+a3)|format({"decimal":1,"multi":100})

groupby

groupby是将数据分组，分组后再计算，这样每个组都会得到一个结果。比如：

1	V("maths","4stu")\|groupby("gender")\|mean

这是计算两种性别下maths的平均值。

mi & ma

经常配合groupby使用，求最小值和最大值。因为groupby可以计算得到多个值，在多个值里面选择最大值和最小值就用ma和mi。

1	V("maths","4stu")\|groupby("gender")\|mean\|mi

逻辑判断

逻辑判断语句的基本写法是:

{ % if a==b % }
a等于b
{ % elif a>b % }
a比b大{ { a - b } }
{ % else % }
a比b小{ { b-a } }
{ % end % }

注意，逻辑判断语句用到的符号是{ % ... % }。其中 if 和 end 标明语句的开始和结尾，中间可以用elif增加判断语句，它是可选的，你可以不使用它，只用if ... else ... end, 你也可以用多个elif。还有就是，虽然我们写了很多行，但是最终渲染得到的内容是没有换行的，也就是任何换行符都会被删除。

实战

在报告中，经常用到非常复杂的计算。例如看下面在报告模板中的真实写法：

======Variables=======

a2=V("maths_level")|table("4stu")|select({"province":pro_code})|which(2)|percent|format({"decimal":1,"multi":100})

a3=V("maths_level")|table("4stu")|select({"province":pro_code})|which(3)|percent|format({"decimal":1,"multi":100})

a4=V("maths_level")|table("4stu")|select({"province":pro_code})|which(4)|percent|format({"decimal":1,"multi":100})

pa=a2+a3+a4

a2=V("maths_level")|table("4stu")|which(2)|percent|format({"decimal":1,"multi":100})

a3=V("maths_level")|table("4stu")|which(3)|percent|format({"decimal":1,"multi":100})

a4=V("maths_level")|table("4stu")|which(4)|percent|format({"decimal":1,"multi":100})

qga=a2+a3+a4
=======Content========

{ % if pa > qga % }
高于全国均值{ { pa - qga } }
{ % elif pa == qga % }
等于全国均值
{ % else % }
低于全国均值{ { qga - pa } }
{ % end % }

其中有两个特殊的行======Variables=======和=======Content========，他们是分隔符，在两行中间可以定义各种用到的变量，这些变量不会被渲染。而content下面的内容是真正会被渲染的部分，但是这部分又用到了上面定义的变量。

图表

序列

word中的图表都是由数据序列构成的，数据序列可以看成是一列数值，比如(1, 2, 3, 4)就是一个数据序列，我们的系统中，用如下方法表达一个序列：

1	v("maths_level")\|table("4stu")\|select({"province":pro_code})\|percent\|format({"decimal":1,"multi":100})

以上代码中，我们只使用选择了某个省的数据，指明了变量maths_level，并没有指明which，这样就会返回maths_level的所有水平的百分比。百分比会按照水平值从小到大排列，最终的结果就类似于(1.2, 3.4, 90.0, 5.2)

还有一种方法是使用groupby, 它的作用是将数据分组。例如:

1	v("maths_level")\|table("4stu")\|select({"province":pro_code})\|groupby("gender_new")\|which(1)\|percent\|format({"decimal":1,"multi":100})

以上代码中，groupby指明数据按照性别分组，这样计算结果会得到类似这样的结果(90.0, 5.2)，两个数分别表示男生和女生的maths_level为1的百分比。

另有一种特殊的情况是，一个数据序列由多用算法计算得到，比如

v("maths_level")|table("4stu")|select({"province":pro_code})|which(1)|groupby("school_loc_new")|percent|format({"decimal":1,"multi":100})| merge |v("maths_level")|table("8stu")|select({"province":pro_code})|which(1)|groupby("school_loc_new")|percent|format({"decimal":1,"multi":100})

以上代码使用了merge算法，将前后两种计算结果合并在一起构成一个序列。merge之前计算结果为四年级的数据，如(4.5, 6.5, 2.4)，之后计算的是八年级的数据，结果为(55.4, 34.2, 42.3)，合并之后为(4.5, 6.5, 2.4, 55.4, 34.2, 42.3)

#报告系统