实验数据设置

Python 实验设计

James Chapman

Curriculum Manager, DataCamp

随机化的问题

1) 不均衡问题：各组受试者数量不同

两个组中受试者数量不同。

随机化的问题

2) 协变量问题：某些协变量波动大 → 随机化时组间不平衡

控制组与处理组用于衡量年龄对反应时间的影响。两组的体能分布不均，虽非研究重点，但可能影响反应时间变量。

结果：更难测量处理效应！

区组随机化

先按大小为 n 的区组划分，再随机分配
- 解决不均衡问题

区组随机化示例，展示两个由橙色和白色方格组成的网格

24 名受试者先分两组后再随机化

我们的数据集

电商数据集（ecom）（1000 名受试者）
- 平均购物篮大小
- 网站平均停留时间
- 重度用户（网站日均 40+ 分钟）

   basket_size  web_time  power_user
0          227         7           0
1          123         5           0
2           98        16           0
3          211        45           1
4          133        17           0

Python 中的区组随机化

group1 = ecom.sample(frac=0.5, random_state=42, replace=False)
group1['Block'] = 1
group2 = ecom.drop(group1.index)
group2['Block'] = 2
print(len(group1), len(group2))

500,500

可视化划分

import seaborn as sns
import matplotlib.pyplot as plt
sns.displot(data=ecom, 
            x='basket_size', 
            hue='power_user', 
            fill=True, 
            kind='kde')    
plt.show()

混杂 = 变量可能由其引起效果而非处理

一张 seaborn 分布图，显示两个半透明、近似正态的分布。一个更大的蓝色分布和一个更小的橙色分布，略有重叠，橙色更靠右

分层随机化

先按协变量划分
- 再随机分配
绿色 = 全部重度用户（黄色 = 非重度用户）
- 然后再分配处理/对照
解决协变量/混杂问题
可用于多协变量，但会变复杂

两块数据网格，一块为绿色，一块为黄色。每个单元格标有字母 T 或 C，黄色网格更大

第一层（strata）

分离重度用户
抽样分到处理/对照

strata_1 = ecom[ecom['power_user'] == 1]
strata_1['Block'] = 1

strata_1_g1 = strata_1.sample(frac=0.5, replace=False)
strata_1_g1['T_C'] = 'T'

strata_1_g2 = strata_1.drop(strata_1_g1.index)
strata_1_g2['T_C'] = 'C'

第二层（strata）

分离非重度用户
抽样分到处理/对照

strata_2 = ecom.drop(strata_1.index)
strata_2['Block'] = 2

strata_2_g1 = strata_2.sample(frac=0.5, replace=False)
strata_2_g1['T_C'] = 'T'
strata_2_g2 = strata_2.drop(strata_2_g1.index)
strata_2_g2['T_C'] = 'C'

确认分层

合并区组与分组
用 groupby 检查分配

ecom_stratified = pd.concat([strata_1_g1, strata_1_g2, strata_2_g1, strata_2_g2])

ecom_stratified.groupby(['Block','T_C', 'power_user']).size()

Block  T_C  power_user
1      C    1              50
       T    1              50
2      C    0             450
       T    0             450

让我们来练习！

Python 实验设计