[中英对照] 实验心理学家的 Python 指南：轻松学习实

验编程与数据分析（第二版）（双语对照版电子书） 在实验心理学与认知神经科学研究中，编程技能已成为研究者高效开展实验设计与数据分析的核心工具。由埃德温・S・达尔迈耶（Edwin S. Dalmaijer）编写的《实验心理学家的 Python 指南：轻松学习实验编程与数据分析（第二版）》，专为无编程基础的心理学研究者打造，以通俗易懂的风格和实验心理学场景化案例，帮助读者快速掌握 Python 在实验设计与数据分析中的应用，堪称该领域研究者的 “入门宝典”。 一、书籍核心定位与适用人群 本书聚焦实验心理学研究者的实际需求，无需读者具备任何编程基础，无论是心理学本科生、博士生，还是资深研究者，都能通过本书建立 Python 编程的核心能力。其核心目标是解决心理学教育中 “编程曝光度低” 的痛点 —— 许多研究者因缺乏编程技能，仍在花费大量时间手动处理数据（如在电子表格中筛选、排序数据），而本书将通过 Python 教学，帮助研究者节省时间，实现实验脚本与数据分析的自动化。 二、内容结构与核心亮点 全书围绕 “Python 基础→实验脚本编写→数据分析” 三大模块展开，逻辑清晰且层层递进，同时融入大量实验心理学实操案例，兼顾趣味性与实用性。 （一）Python 基础：零门槛入门 环境搭建与版本选择 书中详细介绍了适合实验研究者的 Python 安装方案，包括支持多系统的 Anaconda（预装大量科学计算库，适合学术场景）、Windows 专属的 WinPython（便携性强，可拷贝至 U 盘运行，适配 IT 权限受限的实验室电脑），以及 PsychoPy 独立包（专为心理学实验设计，预装实验所需核心库）。同时明确建议读者选择 Python 3 版本（Python 2 已停止支持），并解释了版本差异对实验脚本兼容性的影响。 核心语法与变量类型 从最基础的变量类型（整数、浮点数、布尔值、字符串）讲起，结合实验场景举例。例如，在 “变量赋值” 部分，通过 “存储被试反应时”“标记实验条件（有效 / 无效线索）” 等案例，让读者理解变量的实际用途；在 “字符串处理” 部分，演示如何用字符串格式化功能生成被试指导语（如 “第 {trial} 个试次，请注视屏幕中央”），贴近实验实操需求。此外，还重点讲解了列表、元组、字典等复合变量类型 —— 比如用字典存储单个被试的 “反应时”“准确率” 数据，用列表存储多被试数据，为后续实验数据管理打下基础。 （二）实验脚本编写：聚焦心理学实验场景 这部分是本书的核心，依托 PsychoPy（心理学实验专用库）展开，覆盖实验设计的关键环节： 刺激呈现与窗口设置 详细讲解如何用 PsychoPy 创建实验窗口（设置分辨率、颜色空间、显示单位等），以及呈现文本（如指导语、 fixation 点）、图形（圆形靶刺激、箭头线索）、图像（实验材料图片）等常见刺激。特别强调实验 timing 的准确性 —— 例如，如何根据显示器刷新率（如 60Hz，每帧约 16.7ms）计算刺激呈现的帧数，避免因 “毫秒级误差” 影响实验结果，还提供了检测帧丢失的方法（如通过 PsychoPy 的帧率监测功能）。 反应收集与数据记录 涵盖键盘、鼠标、游戏手柄（可选）等多种反应设备的操作。以键盘反应为例，不仅介绍如何等待被试按键（如用kb.waitKeys()），还讲解了反应时 “零点” 的设定（如在刺激 onset 时重置时钟）、按键有效性判断（如仅接受 “左 / 右箭头键” 反应），以及错误按键的反馈设计（如呈现 “正确 / 错误” 提示）。同时，介绍如何用 PsychoPy 的ExperimentHandler和TrialHandler管理试次，自动记录试次条件（如线索有效性、SOA）、被试反应（按键名称、反应时）等数据，生成可直接用于分析的.csv 或.psydat 文件。 实验流程控制 教授如何用循环实现多试次、多区块实验设计 —— 例如，通过for循环遍历所有试次，用while循环等待被试正确注视 fixation 点后再开始试次；还介绍了试次随机化（如用TrialHandler的method='random'实现）、区块平衡（如一半被试先完成 “有效线索” 区块，一半先完成 “无效线索” 区块）等实验设计关键技术，确保实验设计的科学性。 （三）数据分析：从数据提取到结果可视化 针对实验心理学常用的行为数据（反应时、准确率）和追踪数据（眼动轨迹、瞳孔大小），提供完整的分析流程： 数据提取与预处理 讲解如何用 NumPy 读取实验数据文件（如.csv），处理数据格式（如将字符串类型的反应时转换为数值型），以及筛选有效数据（如排除错误试次、反应时 outliers）。例如，通过布尔索引筛选 “有效线索 - 正确反应” 试次的反应时，为后续统计分析做准备。 描述性统计与推断统计 用 NumPy 计算各实验条件的描述性统计量（如反应时均值、标准差、标准误），用 SciPy 的统计模块进行推断统计 —— 例如，用相关样本 t 检验（ttest_rel）比较 “有效线索” 与 “无效线索” 条件下的反应时差异，检验注意线索效应；还简要介绍了重复测量方差分析的思路，为复杂实验设计的统计分析提供方向。 数据可视化 借助 Matplotlib 绘制实验结果图，包括柱状图（展示各条件反应时均值与标准误）、折线图（展示 SOA 与反应时的关系）、眼动热图（展示被试在图像上的注视分布）等。书中提供完整代码示例，读者可直接修改参数适配自己的实验数据，生成符合学术发表要求的图表。 （四）特色章节：“制造声音” 与眼动实验 书中穿插 “Make Some Noise” 趣味章节，教读者用 Python 生成纯音、白噪音（如用 PyGame 的混音模块），甚至将游戏手柄改造成 “简易乐器”，既巩固编程技能，又增加学习乐趣。此外，还专门章节介绍眼动实验的设计与分析 —— 如何用 PyGaze 或 PsychoPy 连接眼动仪（如 EyeLink），记录注视点、瞳孔大小数据，以及如何可视化眼动轨迹（如注视点叠加在刺激图像上、生成注视热图），满足眼动研究方向研究者的需求。 三、配套资源与作者背景 配套资源 本书提供配套网站，包含彩色图表、示例刺激材料、数据集、完整脚本，以及适用于 Windows 系统的便携 Python 安装包，读者可直接下载使用，避免因环境配置问题影响学习。 作者背景 作者埃德温・S・达尔迈耶是布里斯托大学讲师（助理教授），拥有牛津大学博士学位，曾在剑桥大学从事博士后研究，不仅深耕实验心理学与认知神经科学领域，还开发了多个 Python 实验库（如 PyGaze），兼具学术研究与编程实践经验，其编写风格贴近研究者实际需求，避免过多抽象编程概念，专注 “解决实验中的实际问题”。 四、书籍价值与推荐理由 对于实验心理学研究者而言，本书的核心价值在于 “场景化教学”—— 它不只是一本 Python 编程书，更是一本 “实验设计与数据分析的实操手册”。通过将 Python 语法与 “Posner 线索范式”“视觉搜索实验”“眼动实验” 等经典实验范式结合，读者能快速将所学技能应用到自己的研究中，实现从 “零编程基础” 到 “独立设计实验、分析数据” 的跨越。此外，书中语言幽默通俗（如用 “别牺牲山羊，给山羊喂生菜” 调侃布尔逻辑的学习），降低了编程学习的门槛，让原本枯燥的代码学习变得轻松有趣。 无论是想提升实验效率的本科生、需要完成博士课题的研究生，还是希望拓展数据分析能力的资深研究者，《实验心理学家的 Python 指南：轻松学习实验编程与数据分析（第二版）》都是一本不可多得的实用指南，能帮助研究者在 “编程赋能科研” 的道路上快速起步。