Hypothesis Testing

This code does the following:

Reads the FC files for all the subjects
Z-Standardize all the voxel-roi correlation values of each ROI
Perform two tailed t-test for each voxel-roi pair correlation across subjects (Autism vs TD)



In [3]:

    
import os
from os.path import join as opj
# from nipype.interfaces import afni
import nibabel as nib
import json    
import numpy as np
import os



In [21]:

    
# Paths

path_cwd = os.getcwd()
path_split_list = path_cwd.split('/')
s = path_split_list[0:-1] # for getting to the parent dir of pwd
s_main = path_split_list[0:-2]
s = opj('/',*s) # *s converts list to path, # very important to add '/' in the begining so it is read as directory later
s_main = opj('/',*s_main)



In [22]:

    
s_main









    Out[22]:





'/home1/varunk'



In [6]:

    
# json_path = opj(data_directory,'task-rest_bold.json')

json_path = '../scripts/json/paths.json'
with open(json_path, 'rt') as fp:
    task_info = json.load(fp)



In [7]:

    
base_directory = opj(s,task_info["base_directory_for_results"]) 
motion_correction_bet_directory = task_info["motion_correction_bet_directory"]
parent_wf_directory = task_info["parent_wf_directory"]
# functional_connectivity_directory = task_info["functional_connectivity_directory"]
functional_connectivity_directory = 'temp_fc'
coreg_reg_directory = task_info["coreg_reg_directory"]
atlas_resize_reg_directory = task_info["atlas_resize_reg_directory"]
data_directory = opj(s,task_info["data_directory"])
datasink_name = task_info["datasink_name"]
# fc_datasink_name = task_info["fc_datasink_name"]
fc_datasink_name = 'temp_dataSink'
atlasPath = opj(s,task_info["atlas_path"])

hypothesis_test_dir = opj(base_directory, task_info["hypothesis_test_dir"])

Use python pandas to read the composite phenotype file



In [8]:

    
#  Runall:
import pandas as pd

df = pd.read_csv('/home1/varunk/data/ABIDE1/RawDataBIDs/composite_phenotypic_file.csv') # , index_col='SUB_ID'

df = df.sort_values(['SUB_ID'])
# df = df.sort_values(['SUB+AF8-ID'])

# These subjects didn't have anatomical highres file: 
# 51232','51233','51242','51243','51244','51245','51246','51247','51270','51310'

bugs = ['51232','51233','51242','51243','51244','51245','51246','51247','51270','51310', '50045']
# sub 50045 has fewer ROIs coz of more shift of head



In [9]:

    
# '0051242' in bugs



In [42]:

    
# df



In [45]:

    
tr_paths = opj(s_main,task_info["base_directory_for_results"],datasink_name,'tr_paths','tr_list.npy')
tr_list = np.load(tr_paths)
# tr_list.max()
# tr_list
# len(np.where(tr_list == 1.5)[0]),len(np.where(tr_list == 3.0)[0])
# np.where(tr_list == 3.0)

df_array = df.as_matrix(['SUB_ID'])

df_array[np.where(tr_list == 3.0)]









    Out[45]:





array([[51201],
       [51202],
       [51203],
       [51204],
       [51205],
       [51206],
       [51207],
       [51208],
       [51209],
       [51210],
       [51211],
       [51212],
       [51213],
       [51214],
       [51215],
       [51216],
       [51217],
       [51218],
       [51219],
       [51220],
       [51221],
       [51222],
       [51223],
       [51224],
       [51225],
       [51226],
       [51227],
       [51228],
       [51229],
       [51230],
       [51231],
       [51232],
       [51233],
       [51234],
       [51235],
       [51236],
       [51237],
       [51238],
       [51239],
       [51240],
       [51241],
       [51242],
       [51243],
       [51244],
       [51245],
       [51246],
       [51247],
       [51248],
       [51249],
       [51250],
       [51251],
       [51252],
       [51253],
       [51254],
       [51255],
       [51256],
       [51257],
       [51258],
       [51259],
       [51260],
       [51261],
       [51262],
       [51263],
       [51264],
       [51265],
       [51266],
       [51267],
       [51268],
       [51269],
       [51270],
       [51271],
       [51272],
       [51273],
       [51274],
       [51275],
       [51276],
       [51277],
       [51278],
       [51279],
       [51280],
       [51281],
       [51282],
       [51291],
       [51292],
       [51293],
       [51294],
       [51295],
       [51296],
       [51297],
       [51298],
       [51299],
       [51300],
       [51301],
       [51302],
       [51303],
       [51304],
       [51305],
       [51306],
       [51307],
       [51308],
       [51309],
       [51310],
       [51311],
       [51312],
       [51313],
       [51314],
       [51315],
       [51316],
       [51317],
       [51318],
       [51319],
       [51320],
       [51321],
       [51322],
       [51323],
       [51324],
       [51325],
       [51326],
       [51327],
       [51328],
       [51329],
       [51330],
       [51331],
       [51332],
       [51333],
       [51334],
       [51335],
       [51336],
       [51338],
       [51339],
       [51340],
       [51341],
       [51342],
       [51343],
       [51344],
       [51345],
       [51346],
       [51347],
       [51348],
       [51349],
       [51350],
       [51351],
       [51352],
       [51353],
       [51354],
       [51355],
       [51356],
       [51357],
       [51358],
       [51359],
       [51360],
       [51361],
       [51362],
       [51363],
       [51576],
       [51577]])



In [ ]:

    
# tr = 
/home1/varunk/results_again_again/ABIDE1_Preprocess_Datasink/tr_paths/tr_list.npy



In [25]:

    
# selecting Autistic males(DSM IV) of age <= 18 years 
df_aut_lt18_m = df.loc[(df['SEX'] == 1) & (df['AGE_AT_SCAN'] <=18) & (df['DSM_IV_TR'] == 1)]



In [29]:

    
df_aut_lt18_m.shape









    Out[29]:





(214, 74)



In [15]:

    
df_aut_lt18_m_eyesopen = df.loc[(df['SEX'] == 1) & (df['AGE_AT_SCAN'] <=18) & (df['DSM_IV_TR'] == 1) & df['EYE_STATUS_AT_SCAN'] == 1]
df_aut_lt18_m_eyesopen









    Out[15]:







  
    
      
      SITE_ID
      SUB_ID
      DX_GROUP
      DSM_IV_TR
      AGE_AT_SCAN
      SEX
      HANDEDNESS_CATEGORY
      HANDEDNESS_SCORES
      FIQ
      VIQ
      ...
      WISC_IV_BLK_DSN_SCALED
      WISC_IV_PIC_CON_SCALED
      WISC_IV_MATRIX_SCALED
      WISC_IV_DIGIT_SPAN_SCALED
      WISC_IV_LET_NUM_SCALED
      WISC_IV_CODING_SCALED
      WISC_IV_SYM_SCALED
      EYE_STATUS_AT_SCAN
      AGE_AT_MPRAGE
      BMI
    
  
  
    
      577
      SDSU
      50183
      1
      1
      14.14
      1
      R
      NaN
      139.0
      128.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      586
      SDSU
      50192
      1
      1
      12.99
      1
      R
      NaN
      85.0
      93.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      810
      UM_1
      50272
      1
      1
      14.20
      1
      R
      NaN
      98.5
      100.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      811
      UM_1
      50273
      1
      1
      16.80
      1
      R
      NaN
      112.5
      109.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      812
      UM_1
      50274
      1
      1
      14.20
      1
      R
      NaN
      111.5
      106.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      813
      UM_1
      50275
      1
      1
      11.50
      1
      L
      NaN
      85.0
      106.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      815
      UM_1
      50277
      1
      1
      15.40
      1
      L
      NaN
      107.5
      96.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      817
      UM_1
      50279
      1
      1
      12.20
      1
      R
      NaN
      87.5
      75.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      818
      UM_1
      50280
      1
      1
      15.60
      1
      -9999
      NaN
      85.0
      81.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      820
      UM_1
      50282
      1
      1
      15.20
      1
      NaN
      NaN
      121.0
      118.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      821
      UM_1
      50283
      1
      1
      11.20
      1
      R
      NaN
      97.5
      91.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      825
      UM_1
      50287
      1
      1
      14.40
      1
      L
      NaN
      96.5
      90.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      826
      UM_1
      50288
      1
      1
      11.10
      1
      R
      NaN
      105.0
      104.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      828
      UM_1
      50290
      1
      1
      14.00
      1
      R
      NaN
      108.5
      103.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      829
      UM_1
      50291
      1
      1
      13.90
      1
      R
      NaN
      96.0
      98.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      830
      UM_1
      50292
      1
      1
      12.60
      1
      R
      NaN
      89.5
      91.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      831
      UM_1
      50293
      1
      1
      12.40
      1
      R
      NaN
      -9999.0
      126.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      833
      UM_1
      50295
      1
      1
      11.50
      1
      R
      NaN
      135.0
      133.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      834
      UM_1
      50296
      1
      1
      15.10
      1
      R
      NaN
      89.0
      78.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      836
      UM_1
      50298
      1
      1
      12.80
      1
      R
      NaN
      101.0
      121.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      837
      UM_1
      50299
      1
      1
      12.20
      1
      R
      NaN
      87.5
      96.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      839
      UM_1
      50301
      1
      1
      16.10
      1
      L
      NaN
      97.0
      101.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      841
      UM_1
      50303
      1
      1
      11.60
      1
      R
      NaN
      84.0
      75.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      842
      UM_1
      50304
      1
      1
      11.00
      1
      -9999
      NaN
      96.5
      99.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      843
      UM_1
      50305
      1
      1
      10.90
      1
      R
      NaN
      85.0
      103.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      844
      UM_1
      50306
      1
      1
      8.50
      1
      R
      NaN
      76.0
      86.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      845
      UM_1
      50307
      1
      1
      9.70
      1
      Ambi
      NaN
      81.5
      87.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      846
      UM_1
      50308
      1
      1
      8.90
      1
      -9999
      NaN
      113.0
      113.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      848
      UM_1
      50310
      1
      1
      9.70
      1
      R
      NaN
      78.5
      82.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      849
      UM_1
      50311
      1
      1
      9.80
      1
      -9999
      NaN
      89.0
      96.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
      ...
    
    
      734
      UCLA_1
      51234
      1
      1
      10.91
      1
      R
      NaN
      87.0
      93.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      10.91
      NaN
    
    
      735
      UCLA_1
      51235
      1
      1
      10.67
      1
      R
      NaN
      132.0
      130.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      10.67
      NaN
    
    
      736
      UCLA_1
      51236
      1
      1
      12.42
      1
      R
      NaN
      89.0
      85.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      12.42
      NaN
    
    
      737
      UCLA_1
      51237
      1
      1
      17.40
      1
      R
      NaN
      100.0
      112.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      17.40
      NaN
    
    
      738
      UCLA_1
      51238
      1
      1
      10.85
      1
      R
      NaN
      73.0
      67.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      10.64
      NaN
    
    
      739
      UCLA_1
      51239
      1
      1
      13.67
      1
      R
      NaN
      86.0
      98.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      13.67
      NaN
    
    
      740
      UCLA_1
      51240
      1
      1
      14.96
      1
      R
      NaN
      121.0
      106.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      15.40
      NaN
    
    
      741
      UCLA_1
      51241
      1
      1
      10.90
      1
      R
      NaN
      95.0
      87.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      11.03
      NaN
    
    
      743
      UCLA_1
      51243
      1
      1
      11.69
      1
      R
      NaN
      101.0
      96.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      744
      UCLA_1
      51244
      1
      1
      13.09
      1
      R
      NaN
      -9999.0
      83.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      745
      UCLA_1
      51245
      1
      1
      14.98
      1
      R
      NaN
      64.0
      59.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      746
      UCLA_1
      51246
      1
      1
      13.10
      1
      R
      NaN
      84.0
      85.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      747
      UCLA_1
      51247
      1
      1
      11.97
      1
      R
      NaN
      118.0
      108.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      748
      UCLA_1
      51248
      1
      1
      13.50
      1
      R
      NaN
      110.0
      99.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      13.50
      NaN
    
    
      749
      UCLA_1
      51249
      1
      1
      8.49
      1
      R
      NaN
      107.0
      112.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      8.49
      NaN
    
    
      783
      UCLA_2
      51291
      1
      1
      16.47
      1
      R
      NaN
      86.0
      83.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      16.63
      NaN
    
    
      784
      UCLA_2
      51292
      1
      1
      12.24
      1
      R
      NaN
      75.0
      83.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      12.24
      NaN
    
    
      785
      UCLA_2
      51293
      1
      1
      13.08
      1
      R
      NaN
      92.0
      102.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      13.08
      NaN
    
    
      786
      UCLA_2
      51294
      1
      1
      11.70
      1
      R
      NaN
      87.0
      89.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      12.06
      NaN
    
    
      787
      UCLA_2
      51295
      1
      1
      10.04
      1
      L
      NaN
      108.0
      95.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      10.33
      NaN
    
    
      788
      UCLA_2
      51296
      1
      1
      11.16
      1
      R
      NaN
      77.0
      71.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      11.16
      NaN
    
    
      789
      UCLA_2
      51297
      1
      1
      14.27
      1
      L
      NaN
      88.0
      98.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      14.27
      NaN
    
    
      790
      UCLA_2
      51298
      1
      1
      10.57
      1
      R
      NaN
      118.0
      104.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      10.69
      NaN
    
    
      791
      UCLA_2
      51299
      1
      1
      14.77
      1
      R
      NaN
      104.0
      106.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      14.77
      NaN
    
    
      792
      UCLA_2
      51300
      1
      1
      14.08
      1
      L
      NaN
      92.0
      104.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      14.08
      NaN
    
    
      793
      UCLA_2
      51301
      1
      1
      13.28
      1
      R
      NaN
      91.0
      108.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      13.28
      NaN
    
    
      794
      UCLA_2
      51302
      1
      1
      10.85
      1
      R
      NaN
      87.0
      75.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      10.85
      NaN
    
    
      809
      UCLA_2
      51317
      1
      1
      12.82
      1
      R
      NaN
      102.0
      99.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      12.82
      NaN
    
    
      217
      MAX_MUN
      51350
      1
      1
      11.00
      1
      R
      NaN
      79.0
      NaN
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      218
      MAX_MUN
      51351
      1
      1
      11.00
      1
      R
      NaN
      79.0
      NaN
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
  

174 rows × 74 columns



In [ ]:



In [136]:

    
df_aut_lt18_m_eyesclosed = df.loc[(df['SEX'] == 1) & (df['AGE_AT_SCAN'] <=18) & (df['DSM_IV_TR'] == 1) & (df['EYE_STATUS_AT_SCAN'] == 2)]
df_aut_lt18_m_eyesclosed.shape









    Out[136]:





(40, 74)



In [ ]:

    
bugs = ['50045'] # ROI Missing in population under study
# ROI Missing:
# 253	./_subject_id_0050655/func2std_xform/0050655_fc_map_flirt.nii.gz
# 254	./_subject_id_0050645/func2std_xform/0050645_fc_map_flirt.nii.gz
# 256	./_subject_id_0050651/func2std_xform/0050651_fc_map_flirt.nii.gz
# 256	./_subject_id_0050658/func2std_xform/0050658_fc_map_flirt.nii.gz
# 259	./_subject_id_0050643/func2std_xform/0050643_fc_map_flirt.nii.gz
# 259	./_subject_id_0050652/func2std_xform/0050652_fc_map_flirt.nii.gz
# 270	./_subject_id_0050644/func2std_xform/0050644_fc_map_flirt.nii.gz
# 270	./_subject_id_0051558/func2std_xform/0051558_fc_map_flirt.nii.gz
# 273	./_subject_id_0050648/func2std_xform/0050648_fc_map_flirt.nii.gz
# 273	./_subject_id_0050667/func2std_xform/0050667_fc_map_flirt.nii.gz
# 273	./_subject_id_0050045/func2std_xform/0050045_fc_map_flirt.nii.gz
# 273	./_subject_id_0051575/func2std_xform/0051575_fc_map_flirt.nii.gz
# 273	./_subject_id_0050657/func2std_xform/0050657_fc_map_flirt.nii.gz
# 273	./_subject_id_0050661/func2std_xform/0050661_fc_map_flirt.nii.gz
# 273	./_subject_id_0050653/func2std_xform/0050653_fc_map_flirt.nii.gz
# 273	./_subject_id_0050669/func2std_xform/0050669_fc_map_flirt.nii.gz



In [135]:

    
df_td_lt18_m_eyesclosed = df.loc[(df['SEX'] == 1) & (df['AGE_AT_SCAN'] <=18) & (df['DSM_IV_TR'] == 0) & (df['EYE_STATUS_AT_SCAN'] == 2)]
df_td_lt18_m_eyesclosed









    Out[135]:







  
    
      
      SITE_ID
      SUB_ID
      DX_GROUP
      DSM_IV_TR
      AGE_AT_SCAN
      SEX
      HANDEDNESS_CATEGORY
      HANDEDNESS_SCORES
      FIQ
      VIQ
      ...
      WISC_IV_BLK_DSN_SCALED
      WISC_IV_PIC_CON_SCALED
      WISC_IV_MATRIX_SCALED
      WISC_IV_DIGIT_SPAN_SCALED
      WISC_IV_LET_NUM_SCALED
      WISC_IV_CODING_SCALED
      WISC_IV_SYM_SCALED
      EYE_STATUS_AT_SCAN
      AGE_AT_MPRAGE
      BMI
    
  
  
    
      520
      PITT
      50031
      2
      0
      12.92
      1
      R
      NaN
      106.0
      102.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      522
      PITT
      50033
      2
      0
      12.15
      1
      R
      NaN
      98.0
      98.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      523
      PITT
      50034
      2
      0
      14.77
      1
      R
      NaN
      97.0
      98.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      524
      PITT
      50035
      2
      0
      17.36
      1
      R
      NaN
      107.0
      109.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      532
      PITT
      50043
      2
      0
      13.78
      1
      R
      NaN
      113.0
      115.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      533
      PITT
      50044
      2
      0
      17.13
      1
      R
      NaN
      110.0
      117.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      534
      PITT
      50045
      2
      0
      15.70
      1
      R
      NaN
      114.0
      115.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      536
      PITT
      50047
      2
      0
      15.35
      1
      R
      NaN
      103.0
      95.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      537
      PITT
      50048
      2
      0
      11.81
      1
      R
      NaN
      107.0
      98.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      539
      PITT
      50050
      2
      0
      14.37
      1
      L
      NaN
      113.0
      104.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      540
      PITT
      50051
      2
      0
      12.83
      1
      R
      NaN
      107.0
      101.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      542
      PITT
      50054
      2
      0
      9.44
      1
      R
      NaN
      95.0
      99.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      676
      TRINITY
      50257
      2
      0
      14.91
      1
      R
      NaN
      113.0
      105.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      683
      TRINITY
      50265
      2
      0
      12.25
      1
      R
      NaN
      101.0
      97.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      684
      TRINITY
      50266
      2
      0
      15.91
      1
      R
      NaN
      116.0
      118.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      685
      TRINITY
      50267
      2
      0
      17.50
      1
      R
      NaN
      116.0
      114.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      686
      TRINITY
      50268
      2
      0
      14.41
      1
      R
      NaN
      96.0
      107.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      687
      TRINITY
      50269
      2
      0
      14.66
      1
      R
      NaN
      113.0
      110.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      151
      LEUVEN_2
      50724
      2
      0
      15.10
      1
      R
      NaN
      NaN
      103.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      152
      LEUVEN_2
      50725
      2
      0
      14.20
      1
      L
      NaN
      NaN
      105.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      153
      LEUVEN_2
      50726
      2
      0
      16.60
      1
      R
      NaN
      NaN
      130.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      154
      LEUVEN_2
      50727
      2
      0
      13.90
      1
      L->R
      NaN
      NaN
      122.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      155
      LEUVEN_2
      50728
      2
      0
      15.60
      1
      R
      NaN
      NaN
      116.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      157
      LEUVEN_2
      50731
      2
      0
      16.20
      1
      R
      NaN
      NaN
      124.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      158
      LEUVEN_2
      50732
      2
      0
      12.40
      1
      R
      NaN
      NaN
      127.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      159
      LEUVEN_2
      50733
      2
      0
      14.70
      1
      R
      NaN
      NaN
      124.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      160
      LEUVEN_2
      50734
      2
      0
      16.60
      1
      R
      NaN
      NaN
      97.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      163
      LEUVEN_2
      50737
      2
      0
      12.20
      1
      R
      NaN
      NaN
      119.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      164
      LEUVEN_2
      50738
      2
      0
      12.80
      1
      R
      NaN
      NaN
      124.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      165
      LEUVEN_2
      50739
      2
      0
      15.20
      1
      R
      NaN
      NaN
      119.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      166
      LEUVEN_2
      50740
      2
      0
      12.40
      1
      R
      NaN
      NaN
      127.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      167
      LEUVEN_2
      50741
      2
      0
      14.20
      1
      R
      NaN
      NaN
      119.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      168
      LEUVEN_2
      50742
      2
      0
      16.90
      1
      R
      NaN
      NaN
      122.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      346
      NYU
      51064
      2
      0
      7.26
      1
      NaN
      61.0
      119.0
      127.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      16.98
    
    
      347
      NYU
      51065
      2
      0
      10.52
      1
      NaN
      46.0
      105.0
      111.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      29.62
    
    
      352
      NYU
      51070
      2
      0
      7.29
      1
      NaN
      82.0
      109.0
      112.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      -9999.00
    
    
      353
      NYU
      51071
      2
      0
      10.69
      1
      NaN
      -9999.0
      80.0
      92.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      18.59
    
    
      354
      NYU
      51072
      2
      0
      11.91
      1
      NaN
      100.0
      121.0
      120.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      -9999.00
    
    
      355
      NYU
      51073
      2
      0
      12.49
      1
      NaN
      54.0
      126.0
      109.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      -9999.00
    
    
      356
      NYU
      51074
      2
      0
      12.81
      1
      NaN
      75.0
      123.0
      117.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      -9999.00
    
    
      357
      NYU
      51075
      2
      0
      14.20
      1
      NaN
      -9999.0
      109.0
      121.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      -9999.00
    
    
      358
      NYU
      51076
      2
      0
      16.93
      1
      NaN
      25.0
      124.0
      120.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      -9999.00
    
    
      359
      NYU
      51077
      2
      0
      17.30
      1
      NaN
      69.0
      109.0
      113.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      26.46
    
    
      691
      TRINITY
      51133
      2
      0
      12.04
      1
      R
      NaN
      91.0
      100.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      692
      TRINITY
      51134
      2
      0
      16.83
      1
      R
      NaN
      89.0
      81.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      693
      TRINITY
      51135
      2
      0
      13.75
      1
      R
      NaN
      101.0
      95.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      694
      TRINITY
      51136
      2
      0
      12.66
      1
      R
      NaN
      126.0
      125.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      695
      TRINITY
      51137
      2
      0
      13.25
      1
      R
      NaN
      131.0
      137.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      696
      TRINITY
      51138
      2
      0
      12.66
      1
      R
      NaN
      99.0
      94.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      698
      TRINITY
      51140
      2
      0
      15.75
      1
      R
      NaN
      128.0
      132.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      699
      TRINITY
      51141
      2
      0
      15.91
      1
      R
      NaN
      97.0
      91.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      700
      TRINITY
      51142
      2
      0
      14.91
      1
      R
      NaN
      104.0
      101.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      424
      NYU
      51159
      2
      0
      12.81
      1
      NaN
      100.0
      118.0
      122.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      22.04
    
    
      228
      MAX_MUN
      51361
      2
      0
      16.00
      1
      R
      NaN
      114.0
      NaN
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      31
      CALTECH
      51487
      2
      0
      17.00
      1
      R
      NaN
      113.0
      106.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
  

55 rows × 74 columns



In [131]:

    
# df.loc[(df['SEX'] == 1) & (df['AGE_AT_SCAN'] <=18) & (df['DSM_IV_TR'] == 1) ]



In [91]:

    
df_aut_lt18_m_eyesopen.shape









    Out[91]:





(174, 74)



In [92]:

    
df_td_lt18_m_eyesopen = df.loc[(df['SEX'] == 1) & (df['AGE_AT_SCAN'] <=18) & (df['DSM_IV_TR'] == 0) & df['EYE_STATUS_AT_SCAN'] == 1]



In [132]:

    
# df_td_lt18_m_eyesopen['SUB_ID'][100:]



In [94]:

    
df.loc[(df['EYE_STATUS_AT_SCAN'] == 1)].shape[0] + df.loc[(df['EYE_STATUS_AT_SCAN'] == 2)].shape[0]









    Out[94]:





1112



In [95]:

    
df_aut_lt18_m[103:106]









    Out[95]:







  
    
      
      SITE_ID
      SUB_ID
      DX_GROUP
      DSM_IV_TR
      AGE_AT_SCAN
      SEX
      HANDEDNESS_CATEGORY
      HANDEDNESS_SCORES
      FIQ
      VIQ
      ...
      WISC_IV_BLK_DSN_SCALED
      WISC_IV_PIC_CON_SCALED
      WISC_IV_MATRIX_SCALED
      WISC_IV_DIGIT_SPAN_SCALED
      WISC_IV_LET_NUM_SCALED
      WISC_IV_CODING_SCALED
      WISC_IV_SYM_SCALED
      EYE_STATUS_AT_SCAN
      AGE_AT_MPRAGE
      BMI
    
  
  
    
      178
      LEUVEN_2
      50752
      1
      1
      14.7
      1
      L
      NaN
      NaN
      92.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      179
      LEUVEN_2
      50753
      1
      1
      14.3
      1
      R
      NaN
      NaN
      78.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      180
      LEUVEN_2
      50754
      1
      1
      12.3
      1
      R
      NaN
      NaN
      97.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
  

3 rows × 74 columns



In [96]:

    
df[520:550]









    Out[96]:







  
    
      
      SITE_ID
      SUB_ID
      DX_GROUP
      DSM_IV_TR
      AGE_AT_SCAN
      SEX
      HANDEDNESS_CATEGORY
      HANDEDNESS_SCORES
      FIQ
      VIQ
      ...
      WISC_IV_BLK_DSN_SCALED
      WISC_IV_PIC_CON_SCALED
      WISC_IV_MATRIX_SCALED
      WISC_IV_DIGIT_SPAN_SCALED
      WISC_IV_LET_NUM_SCALED
      WISC_IV_CODING_SCALED
      WISC_IV_SYM_SCALED
      EYE_STATUS_AT_SCAN
      AGE_AT_MPRAGE
      BMI
    
  
  
    
      61
      CMU
      50666
      2
      0
      31.0
      1
      R
      NaN
      107.0
      101.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      62
      CMU
      50667
      2
      0
      40.0
      1
      R
      NaN
      128.0
      122.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      63
      CMU
      50668
      2
      0
      25.0
      1
      R
      NaN
      110.0
      109.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      64
      CMU
      50669
      2
      0
      30.0
      2
      R
      NaN
      126.0
      123.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      2
      NaN
      NaN
    
    
      120
      LEUVEN_1
      50682
      2
      0
      23.0
      1
      R
      NaN
      128.0
      118.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      121
      LEUVEN_1
      50683
      2
      0
      24.0
      1
      R
      NaN
      106.0
      113.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      122
      LEUVEN_1
      50685
      2
      0
      23.0
      1
      R
      NaN
      112.0
      114.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      123
      LEUVEN_1
      50686
      1
      1
      19.0
      1
      R
      NaN
      92.0
      88.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      124
      LEUVEN_1
      50687
      2
      0
      22.0
      1
      R
      NaN
      124.0
      121.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      125
      LEUVEN_1
      50688
      2
      0
      21.0
      1
      R
      NaN
      98.0
      103.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      126
      LEUVEN_1
      50689
      1
      1
      21.0
      1
      R
      NaN
      106.0
      115.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      127
      LEUVEN_1
      50690
      1
      1
      22.0
      1
      R
      NaN
      101.0
      95.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      128
      LEUVEN_1
      50691
      2
      0
      22.0
      1
      R
      NaN
      146.0
      133.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      129
      LEUVEN_1
      50692
      2
      0
      22.0
      1
      R
      NaN
      109.0
      112.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      130
      LEUVEN_1
      50693
      1
      1
      22.0
      1
      R
      NaN
      128.0
      128.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      131
      LEUVEN_1
      50694
      1
      1
      19.0
      1
      R
      NaN
      109.0
      103.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      132
      LEUVEN_1
      50695
      1
      1
      19.0
      1
      R
      NaN
      101.0
      126.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      133
      LEUVEN_1
      50696
      1
      1
      20.0
      1
      R
      NaN
      121.0
      118.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      134
      LEUVEN_1
      50697
      1
      1
      19.0
      1
      R
      NaN
      101.0
      99.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      135
      LEUVEN_1
      50698
      2
      0
      28.0
      1
      R
      NaN
      109.0
      107.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      136
      LEUVEN_1
      50699
      2
      0
      21.0
      1
      R
      NaN
      104.0
      114.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      137
      LEUVEN_1
      50700
      1
      1
      23.0
      1
      L
      NaN
      128.0
      110.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      138
      LEUVEN_1
      50701
      2
      0
      18.0
      1
      R
      NaN
      109.0
      131.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      139
      LEUVEN_1
      50702
      1
      1
      18.0
      1
      R
      NaN
      100.0
      110.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      140
      LEUVEN_1
      50703
      2
      0
      29.0
      1
      R
      NaN
      108.0
      112.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      141
      LEUVEN_1
      50704
      1
      1
      29.0
      1
      R
      NaN
      119.0
      121.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      142
      LEUVEN_1
      50705
      1
      1
      24.0
      1
      R
      NaN
      111.0
      113.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      143
      LEUVEN_1
      50706
      2
      0
      22.0
      1
      L
      NaN
      134.0
      136.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      144
      LEUVEN_1
      50707
      2
      0
      22.0
      1
      R
      NaN
      113.0
      121.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
    
      145
      LEUVEN_1
      50708
      1
      1
      32.0
      1
      R
      NaN
      89.0
      97.0
      ...
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      NaN
      1
      NaN
      NaN
    
  

30 rows × 74 columns



In [97]:

    
df_td_lt18_m = df.loc[(df['SEX'] == 1) & (df['AGE_AT_SCAN'] <=18) & (df['DSM_IV_TR'] == 0) ]



In [98]:

    
df_td_lt18_m.shape









    Out[98]:





(296, 74)



In [99]:

    
# table_males_np = table_males.as_matrix(columns=['SUB_ID','DX_GROUP', 'DSM_IV_TR', 'AGE_AT_SCAN' ,'SEX' ,'EYE_STATUS_AT_SCAN'])



In [113]:

    
# df_td_lt18_m_eyesclosed

df_aut_subid = df_aut_lt18_m_eyesopen.as_matrix(columns=['SUB_ID'])
df_td_subid = df_td_lt18_m_eyesopen.as_matrix(columns=['SUB_ID'])



In [114]:

    
# df_aut_subid#, df_td_subid



In [115]:

    
# Now construct a function that takes a list of SUB_ID's and returns the FC Maps
def get_subject_fc_file(subject_id_list,fc_file_path, bugs):
    import re
    
    return_fc_maps = []
    fc_file_list = np.load(fc_file_path)
    for subject_id in subject_id_list:
#         print("For subject: ",subject_id)
        found =  False
        for brain in fc_file_list:
            sub_id_extracted = re.search('.+_subject_id_(\d+)', brain).group(1)
            if str(subject_id) in bugs:
#                 print("In Bugs with subject id ",subject_id)
                found = True
            elif (subject_id == int(sub_id_extracted)):
                found = True
                return_fc_maps.append(brain)
#                 print("Found for subject: ",subject_id)
        if found == False: # Some subject was not found Problem!
            print ('Unable to locate Subject: ',int(subject_id),'extracted: ',int(sub_id_extracted))
            return 0
    return return_fc_maps



In [116]:

    
# Again:

fc_datasink_name = 'fc_datasink'
import itertools

# itr = (list(itertools.product([0, 1], repeat=3)))

itr = [(1,1,1)]
number_of_subjects = -1
for motion_param_regression, global_signal_regression, band_pass_filtering in itr:
    combination = 'pearcoff_motionRegress' + str(int(motion_param_regression)) + 'filt' + str(int(band_pass_filtering)) + 'global' + str(int(global_signal_regression))
    print("Combination: ",combination)
    print(motion_param_regression, global_signal_regression, band_pass_filtering)
    fc_file_list = opj(base_directory,fc_datasink_name,combination,'fc_map_brain_file_list.npy')
#     print(fc_file_list)
#     apply_fisher = True


    autistic_list = (get_subject_fc_file(df_aut_subid.squeeze(), fc_file_list, bugs))
    print("Number of autistic participants ", len(autistic_list))
    
    td_list = (get_subject_fc_file(df_td_subid.squeeze(), fc_file_list, bugs))
    print("Number of TD participants ", len(td_list))









    



Combination:  pearcoff_motionRegress1filt1global1
1 1 1
Number of autistic participants  167
Number of TD participants  239



In [104]:

    
participants_considered = min(len(autistic_list), len(td_list))

# participants_considered = 4

autistic_list = autistic_list[0:participants_considered]
td_list = td_list[0:participants_considered]



In [117]:

    
autistic_list









    Out[117]:





['/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050183/func2std_xform/0050183_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050192/func2std_xform/0050192_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050272/func2std_xform/0050272_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050273/func2std_xform/0050273_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050274/func2std_xform/0050274_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050275/func2std_xform/0050275_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050277/func2std_xform/0050277_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050279/func2std_xform/0050279_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050280/func2std_xform/0050280_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050282/func2std_xform/0050282_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050283/func2std_xform/0050283_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050287/func2std_xform/0050287_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050288/func2std_xform/0050288_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050290/func2std_xform/0050290_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050291/func2std_xform/0050291_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050292/func2std_xform/0050292_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050293/func2std_xform/0050293_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050295/func2std_xform/0050295_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050296/func2std_xform/0050296_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050298/func2std_xform/0050298_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050299/func2std_xform/0050299_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050301/func2std_xform/0050301_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050303/func2std_xform/0050303_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050304/func2std_xform/0050304_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050305/func2std_xform/0050305_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050306/func2std_xform/0050306_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050307/func2std_xform/0050307_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050308/func2std_xform/0050308_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050310/func2std_xform/0050310_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050311/func2std_xform/0050311_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050312/func2std_xform/0050312_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050313/func2std_xform/0050313_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050315/func2std_xform/0050315_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050316/func2std_xform/0050316_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050317/func2std_xform/0050317_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050318/func2std_xform/0050318_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050322/func2std_xform/0050322_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050323/func2std_xform/0050323_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050324/func2std_xform/0050324_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050326/func2std_xform/0050326_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050397/func2std_xform/0050397_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050402/func2std_xform/0050402_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050404/func2std_xform/0050404_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050405/func2std_xform/0050405_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050406/func2std_xform/0050406_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050408/func2std_xform/0050408_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050410/func2std_xform/0050410_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050412/func2std_xform/0050412_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050413/func2std_xform/0050413_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050481/func2std_xform/0050481_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050486/func2std_xform/0050486_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050489/func2std_xform/0050489_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050500/func2std_xform/0050500_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050501/func2std_xform/0050501_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050504/func2std_xform/0050504_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050506/func2std_xform/0050506_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050509/func2std_xform/0050509_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050510/func2std_xform/0050510_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050511/func2std_xform/0050511_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050512/func2std_xform/0050512_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050515/func2std_xform/0050515_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050516/func2std_xform/0050516_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050517/func2std_xform/0050517_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050519/func2std_xform/0050519_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050520/func2std_xform/0050520_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050522/func2std_xform/0050522_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050523/func2std_xform/0050523_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050524/func2std_xform/0050524_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050528/func2std_xform/0050528_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050532/func2std_xform/0050532_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050603/func2std_xform/0050603_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050605/func2std_xform/0050605_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050614/func2std_xform/0050614_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050618/func2std_xform/0050618_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050702/func2std_xform/0050702_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050791/func2std_xform/0050791_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050793/func2std_xform/0050793_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050794/func2std_xform/0050794_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050799/func2std_xform/0050799_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050801/func2std_xform/0050801_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050802/func2std_xform/0050802_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050804/func2std_xform/0050804_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050807/func2std_xform/0050807_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050815/func2std_xform/0050815_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050825/func2std_xform/0050825_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050964/func2std_xform/0050964_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050981/func2std_xform/0050981_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050982/func2std_xform/0050982_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050983/func2std_xform/0050983_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050984/func2std_xform/0050984_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050985/func2std_xform/0050985_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050986/func2std_xform/0050986_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050987/func2std_xform/0050987_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050989/func2std_xform/0050989_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050990/func2std_xform/0050990_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050991/func2std_xform/0050991_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050992/func2std_xform/0050992_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050993/func2std_xform/0050993_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050994/func2std_xform/0050994_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050995/func2std_xform/0050995_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050996/func2std_xform/0050996_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050997/func2std_xform/0050997_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050998/func2std_xform/0050998_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0050999/func2std_xform/0050999_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051000/func2std_xform/0051000_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051001/func2std_xform/0051001_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051003/func2std_xform/0051003_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051006/func2std_xform/0051006_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051007/func2std_xform/0051007_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051009/func2std_xform/0051009_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051011/func2std_xform/0051011_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051012/func2std_xform/0051012_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051013/func2std_xform/0051013_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051014/func2std_xform/0051014_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051033/func2std_xform/0051033_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051034/func2std_xform/0051034_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051035/func2std_xform/0051035_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051201/func2std_xform/0051201_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051202/func2std_xform/0051202_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051203/func2std_xform/0051203_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051204/func2std_xform/0051204_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051205/func2std_xform/0051205_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051206/func2std_xform/0051206_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051208/func2std_xform/0051208_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051209/func2std_xform/0051209_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051210/func2std_xform/0051210_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051211/func2std_xform/0051211_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051212/func2std_xform/0051212_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051213/func2std_xform/0051213_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051214/func2std_xform/0051214_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051216/func2std_xform/0051216_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051217/func2std_xform/0051217_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051218/func2std_xform/0051218_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051220/func2std_xform/0051220_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051221/func2std_xform/0051221_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051222/func2std_xform/0051222_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051223/func2std_xform/0051223_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051224/func2std_xform/0051224_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051225/func2std_xform/0051225_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051227/func2std_xform/0051227_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051229/func2std_xform/0051229_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051231/func2std_xform/0051231_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051234/func2std_xform/0051234_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051235/func2std_xform/0051235_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051236/func2std_xform/0051236_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051237/func2std_xform/0051237_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051238/func2std_xform/0051238_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051239/func2std_xform/0051239_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051240/func2std_xform/0051240_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051241/func2std_xform/0051241_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051248/func2std_xform/0051248_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051249/func2std_xform/0051249_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051291/func2std_xform/0051291_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051292/func2std_xform/0051292_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051293/func2std_xform/0051293_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051294/func2std_xform/0051294_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051295/func2std_xform/0051295_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051296/func2std_xform/0051296_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051297/func2std_xform/0051297_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051298/func2std_xform/0051298_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051299/func2std_xform/0051299_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051300/func2std_xform/0051300_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051301/func2std_xform/0051301_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051302/func2std_xform/0051302_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051317/func2std_xform/0051317_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051350/func2std_xform/0051350_fc_map_flirt.nii.gz',
 '/home1/varunk/results_again_again/fc_motionRegress1filt1global1/_subject_id_0051351/func2std_xform/0051351_fc_map_flirt.nii.gz']



In [105]:

    
len(autistic_list),len(td_list)









    Out[105]:





(40, 40)



In [106]:

    
# # To Stop execution Raise error:
# raise Exception('Execution stops here!')



In [107]:

    
# number_of_fcmaps = len(fc_file_list) #184



In [108]:

    
# number_of_fcmaps



In [109]:

    
# Author Deepak Singla: singlakdeepak5@gmail.com

import nibabel as nib
import numpy as np
import os
from scipy import stats
from numpy import ma
import scipy.special as special
from statsmodels.stats import multitest

def div0( a, b ):
    '''
    It is meant for ignoring the places where standard deviation 
    is zero.
    '''
    """ ignore / 0, div0( [-1, 0, 1], 0 ) -> [0, 0, 0] """
    with np.errstate(divide='ignore', invalid='ignore'):
        c = np.divide( a, b )
        # c[ ~ np.isfinite( c )] = 0  # -inf inf NaN
    return c

def calc_mean_and_std(ROICorrMaps, n_subjects, ROIAtlasmask, ddof =1, applyFisher = False):
    '''
	Function for calculating the mean and standard 
	deviation of the data. At a time, only one of the nii
	file is loaded and the elements keep on adding as we 
	enumerate over the subjects.
	'''
    mask = nib.load(ROIAtlasmask).get_data()
    mask = ma.masked_object(mask,0).mask
    if (n_subjects != 0):
        f = nib.load(ROICorrMaps[0])
        dimensions = f.get_header().get_data_shape()
        print(dimensions)
    else:
        exit
    mask = np.repeat(mask[:, :, :, np.newaxis], dimensions[3], axis=3)
#     print(ROICorrMaps)

    Sample_mean_Array = np.zeros(dimensions)
    Sample_std_Array = np.zeros(dimensions)
    Sample_mean_Array = ma.masked_array(Sample_mean_Array, 
                                       mask = mask, 
                                        fill_value = 0)
    Sample_std_Array = ma.masked_array(Sample_std_Array, 
                                      mask = mask , 
                                       fill_value = 0)
    for count, subject in enumerate(ROICorrMaps):
        Corr_data = nib.load(subject).get_data()
#         dimensions = Corr_data.get_header().get_data_shape()
#         mask = np.repeat(mask[:, :, :, np.newaxis], dimensions[3], axis=3)
        Corr_data = ma.masked_array(Corr_data, mask = mask)
        if applyFisher:
            Corr_data = np.arctanh(Corr_data)
        
        Sample_mean_Array += Corr_data
        Sample_std_Array += np.square(Corr_data)
        print('Done subject ', count+1)                                                                                                                                                                                                       
    Sample_mean_Array /= n_subjects
    Sample_std_Array = np.sqrt((Sample_std_Array - n_subjects*np.square(Sample_mean_Array))/(n_subjects - ddof))
    return Sample_mean_Array,Sample_std_Array

def calc_mean_and_std_if_npy(ROICorrMaps, n_subjects, ddof =1, applyFisher = False):
    '''
    Function to be used if the file is given in the format 
    No of ROIs versus All brain voxels in the ROI mapped.
    '''
    print(ROICorrMaps)
    initialize = np.load(ROICorrMaps[0])
    initialize = ma.masked_array(initialize)
    if applyFisher:
        initialize = np.arctanh(initialize)
    Sample_mean_Array = ma.masked_array(initialize, 
                                        fill_value = 0)
    Sample_std_Array = ma.masked_array(np.square(initialize), 
                                       fill_value = 0)
    del initialize
    print('Done subject ', 0)
    for count, subject in enumerate(ROICorrMaps[1:]):

        Corr_data = np.load(subject)
        Corr_data = ma.masked_array(Corr_data) 
        if applyFisher:
            Corr_data = np.arctanh(Corr_data)
        Sample_mean_Array += Corr_data
        Sample_std_Array += np.square(Corr_data)
        print('Done subject ', count+1)                                                                                                                                                                                               
    Sample_mean_Array /= n_subjects
    Sample_std_Array = np.sqrt((Sample_std_Array - n_subjects*np.square(Sample_mean_Array))/(n_subjects - ddof))
    return Sample_mean_Array,Sample_std_Array

def _ttest_1samp(Sample_mean_Array, Sample_std_Array, n_subjects, PopMean = 0.0):
    ttest_1samp_for_all = div0((Sample_mean_Array - PopMean) \
                            * np.sqrt(n_subjects), Sample_std_Array)
    df = n_subjects - 1
    # pval = stats.t.sf(np.abs(ttest_1samp_for_all), df)*2
    pval = special.betainc(0.5*df, 0.5, df/ \
            (df + ttest_1samp_for_all*ttest_1samp_for_all)).reshape(ttest_1samp_for_all.shape)
    # ttest_1samp_for_all, pval = ma.filled(ttest_1samp_for_all), ma.filled(pval)

    return ttest_1samp_for_all, pval


def ttest_1samp_for_all_ROIs(ROICorrMaps, 
                                ROIAtlasmask, 
                                PopMean = 0.0, 
                                applyFisher = False):
    '''
    This is the 1 sample t-test for ROI correlation maps.
    df = no of subjects - 1
    * ROICorrMaps is the list of filepaths of ROI correlation 
    maps for a group.
    * Each ROI correlation map has the 4th dimension equal to 
    the number of ROIs.
    * It calculates both the ttest as well as the p values.
    
    QUESTIONS???????????????????????????????????????????????
    For application of the Fisher transform, I saw that it is 
    same as the inverse hyperbolic tangent function. 
    Doubt is regarding the standard deviation of the distribution after
    applying Fisher. It was written that the sd is now 1/sqrt(no_of_subjs - 3).
    So, that means for each voxel or variable, the sd now becomes this.

    Ref: https://docs.scipy.org/doc/numpy/reference/generated/numpy.arctanh.html
     https://en.wikipedia.org/wiki/Fisher_transformation
    TO BE ASKED!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
    
    # The ttest will return t value Inf or NaN where the denom is
    # zero. See what to return in these places. Ask tomorrow.
    '''


    n_subjects = len(ROICorrMaps)
    assert (n_subjects>0)
    Sample_mean_Array, Sample_std_Array = calc_mean_and_std(ROICorrMaps, 
                                                            n_subjects,
                                                            ROIAtlasmask, ddof =1,
                                                            applyFisher = applyFisher)
    ttest_1samp_for_all, pval = _ttest_1samp(Sample_mean_Array, 
                                             Sample_std_Array,
                                             n_subjects,
                                             PopMean = PopMean)
    return ttest_1samp_for_all, pval


def ttest_1samp_ROIs_if_npy(ROICorrMaps,
                            PopMean = 0.0,
                            applyFisher = False):
    n_subjects = len(ROICorrMaps)
    assert (n_subjects>0)
    Sample_mean_Array, Sample_std_Array = \
                                calc_mean_and_std_if_npy( ROICorrMaps,
                                                        n_subjects, ddof =1,
                                                        applyFisher = applyFisher)
    return _ttest_1samp(Sample_mean_Array,
                        Sample_std_Array,
                        n_subjects,
                        PopMean = PopMean)


def _ttest_ind(Sample_mean_ArrayA, Sample_var_ArrayA, n_subjectsA,
                Sample_mean_ArrayB,Sample_var_ArrayB, n_subjectsB,
                equal_var = True):
    if equal_var:
        # force df to be an array for masked division not to throw a warning
        df = ma.asanyarray(n_subjectsA + n_subjectsB - 2.0)
        svar = ((n_subjectsA-1)*Sample_var_ArrayA+(n_subjectsB-1)*Sample_var_ArrayB)/ df
        denom = ma.sqrt(svar*(1.0/n_subjectsA + 1.0/n_subjectsB))  # n-D computation here!
    else:
        vn1 = Sample_var_ArrayA/n_subjectsA
        vn2 = Sample_var_ArrayB/n_subjectsB
        df = (vn1 + vn2)**2 / (vn1**2 / (n_subjectsA - 1) + vn2**2 / (n_subjectsB - 1))

        # If df is undefined, variances are zero.
        # It doesn't matter what df is as long as it is not NaN.
        df = np.where(np.isnan(df), 1, df)
        denom = ma.sqrt(vn1 + vn2)

    with np.errstate(divide='ignore', invalid='ignore'):
        ttest_ind = (Sample_mean_ArrayA - Sample_mean_ArrayB) / denom
    pvalues = special.betainc(0.5*df, 0.5, df/(df + ttest_ind*ttest_ind)).reshape(ttest_ind.shape)
    
    # ttest_ind, pvalues = ma.filled(ttest_ind), ma.filled(pvalues)
    return ttest_ind, pvalues,Sample_mean_ArrayA ,Sample_mean_ArrayB

def ttest_ind_samples(ROICorrMapsA, ROICorrMapsB, ROIAtlasmask, 
                    equal_var = True, applyFisher = False):
    '''
    Modified from https://docs.scipy.org/doc/scipy-0.19.1/reference/generated/scipy.stats.ttest_ind.html ,
    https://github.com/scipy/scipy/blob/v0.19.1/scipy/stats/stats.py#L3950-L4072

    Since it didn't support if the data is large and everything can't be loaded at once. So,
    such modification has been made.
    '''

    n_subjectsA = len(ROICorrMapsA)
    n_subjectsB = len(ROICorrMapsB)
    assert (n_subjectsA > 0)
    assert (n_subjectsB > 0)
    Sample_mean_ArrayA, Sample_std_ArrayA = calc_mean_and_std(ROICorrMapsA, 
                                                              n_subjectsA,
                                                              ROIAtlasmask, ddof =1,
                                                              applyFisher = applyFisher)
    Sample_var_ArrayA = np.square(Sample_std_ArrayA)
    del(Sample_std_ArrayA)

    # n_subjectsB = len(ROICorrMapsB)
    Sample_mean_ArrayB, Sample_std_ArrayB = calc_mean_and_std(ROICorrMapsB, 
                                                              n_subjectsB,
                                                              ROIAtlasmask, ddof =1,
                                                              applyFisher = applyFisher)
    Sample_var_ArrayB = np.square(Sample_std_ArrayB)
    del(Sample_std_ArrayB)

    # pvalues = stats.t.sf(np.abs(ttest_ind), df)*2
    return _ttest_ind(Sample_mean_ArrayA, Sample_var_ArrayA, n_subjectsA,
                Sample_mean_ArrayB, Sample_var_ArrayB, n_subjectsB,
                equal_var = equal_var)

def ttest_ind_samples_if_npy(ROICorrMapsA, ROICorrMapsB, equal_var = True, applyFisher = False):
    '''
    Modified from https://docs.scipy.org/doc/scipy-0.19.1/reference/generated/scipy.stats.ttest_ind.html ,
    https://github.com/scipy/scipy/blob/v0.19.1/scipy/stats/stats.py#L3950-L4072

    Since it didn't support if the data is large and everything can't be loaded at once. So,
    such modification has been made.
    '''

    n_subjectsA = len(ROICorrMapsA)
    n_subjectsB = len(ROICorrMapsB)
    assert (n_subjectsA > 0)
    assert (n_subjectsB > 0)
    Sample_mean_ArrayA, Sample_std_ArrayA = calc_mean_and_std_if_npy(ROICorrMapsA, 
                                                              n_subjectsA, ddof = 1,
                                                              applyFisher = applyFisher)
    Sample_var_ArrayA = np.square(Sample_std_ArrayA)
    del(Sample_std_ArrayA)
    Sample_mean_ArrayB, Sample_std_ArrayB = calc_mean_and_std_if_npy(ROICorrMapsB, 
                                                              n_subjectsB, ddof =1,
                                                              applyFisher = applyFisher)
    Sample_var_ArrayB = np.square(Sample_std_ArrayB)
    del(Sample_std_ArrayB)
    # pvalues = stats.t.sf(np.abs(ttest_ind), df)*2
    return _ttest_ind(Sample_mean_ArrayA, Sample_var_ArrayA, n_subjectsA,
                Sample_mean_ArrayB, Sample_var_ArrayB, n_subjectsB,
                equal_var = equal_var)

def convert_ma_to_np(MaskedArrayObj):
    return ma.filled(MaskedArrayObj)

def fdr_correction(pvals):
#     mask = np.ma.masked_object(mask,0).mask # Converts 1 -> 0 & 0 -> 1 in the mask
    brain_pvals = pvals[~pvals.mask]

Create an MNI 3mm brain mask



In [110]:

    
mask = opj(base_directory,parent_wf_directory,motion_correction_bet_directory,coreg_reg_directory,'resample_mni/MNI152_T1_2mm_brain_resample_mask.nii.gz')



In [111]:

    
mask









    Out[111]:





'/home1/varunk/results_again_again/ABIDE1_Preprocess/motion_correction_bet/coreg_reg/resample_mni/MNI152_T1_2mm_brain_resample_mask.nii.gz'



In [ ]:



In [112]:

    
%%time
#  Author Deepak Singla : singlakdeepak5@gmail.com

import os
import numpy as np
import timeit
# start = timeit.default_timer()

# list1 = np.load('Grp1.npy')
# list2 = np.load('Grp2.npy')

apply_fisher = True
list1 = autistic_list[3:8]
list2 = td_list[3:8]
#Tvals, Pvals = ttest.ttest_1samp_for_all_ROIs(list1,'MNI152_T1_2mm_brain_mask.nii.gz')

Tvals, Pvals, meanC1, meanC2 = ttest_ind_samples(list1,list2,mask,applyFisher=apply_fisher)

fdr_mask_05 , fdr_p_vals = fdr_correction(Pvals, mask)

Tvals, Pvals, meanC1, meanC2 = convert_ma_to_np(Tvals), convert_ma_to_np(Pvals), convert_ma_to_np(meanC1), convert_ma_to_np(meanC2)
# stop = timeit.default_timer()
# print( Tvals)

# print (Pvals)



save_destination = hypothesis_test_dir

if not os.path.exists(save_destination):
    os.makedirs(save_destination) # Use makedirs if you want to create a nested directory structure
Tvals_path = opj(save_destination,'Tvals')
Pvals_path = opj(save_destination,'Pvals')
mean1_path = opj(save_destination,'meanC1')
mean2_path = opj(save_destination,'meanC2')

np.save(Tvals_path,Tvals)
np.save(Pvals_path,Pvals)
np.save(mean1_path,meanC1)
np.save(mean2_path,meanC2)


# print ('Time taken = %s'%(stop - start))









    



/root/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:33: DeprecationWarning: get_header method is deprecated.
Please use the ``img.header`` property instead.

* deprecated from version: 2.1
* Will raise <class 'nibabel.deprecator.ExpiredDeprecationError'> as of version: 4.0






    



(61, 73, 61, 274)
Done subject  1
Done subject  2
Done subject  3
Done subject  4
Done subject  5
(61, 73, 61, 274)
Done subject  1
Done subject  2
Done subject  3






    



---------------------------------------------------------------------------
MaskError                                 Traceback (most recent call last)
<timed exec> in <module>()

<ipython-input-109-9bece2979d2e> in ttest_ind_samples(ROICorrMapsA, ROICorrMapsB, ROIAtlasmask, equal_var, applyFisher)
    206                                                               n_subjectsB,
    207                                                               ROIAtlasmask, ddof =1,
--> 208                                                               applyFisher = applyFisher)
    209     Sample_var_ArrayB = np.square(Sample_std_ArrayB)
    210     del(Sample_std_ArrayB)

<ipython-input-109-9bece2979d2e> in calc_mean_and_std(ROICorrMaps, n_subjects, ROIAtlasmask, ddof, applyFisher)
     50 #         dimensions = Corr_data.get_header().get_data_shape()
     51 #         mask = np.repeat(mask[:, :, :, np.newaxis], dimensions[3], axis=3)
---> 52         Corr_data = ma.masked_array(Corr_data, mask = mask)
     53         if applyFisher:
     54             Corr_data = np.arctanh(Corr_data)

~/anaconda3/lib/python3.6/site-packages/numpy/ma/core.py in __new__(cls, data, mask, dtype, copy, subok, ndmin, fill_value, keep_mask, hard_mask, shrink, order, **options)
   2891                     msg = "Mask and data not compatible: data size is %i, " + \
   2892                           "mask size is %i."
-> 2893                     raise MaskError(msg % (nd, nm))
   2894                 copy = True
   2895             # Set the mask to the new value

MaskError: Mask and data not compatible: data size is 74155809, mask size is 74427442.



In [ ]:

    
p = np.load('../results_again_again/hypothesis_test/hypothesis_test_pearcoff_motionRegress0filt0global0/Pvals.npy')



In [ ]:

    
orig_shape = p.shape
one_vector = p.reshape()



In [ ]:



In [ ]:



In [ ]:

    
p.min(),p.max() # Pmax is too high , maybe it is coz of the mask that I made. Coz all the p's almost unique
# Only the max p has highest frequency, it maybe coz they represent the number of non zero voxels



In [ ]:

    
uni, counts = np.unique(p, return_counts=True)



In [ ]:

    
X = zip(uni,counts)



In [ ]:

    
uni[-1]



In [ ]:

    
t = np.load('../results_again_again/hypothesis_test/Tvals.npy')



In [ ]:



In [ ]:



In [ ]:

    
t.min(), t.max()



In [ ]:

    
C1 = np.load('../results_again_again/hypothesis_test/pearcoff_motionRegress1filt1global1/meanC1.npy')



In [ ]:

    
C1.min(),C1.max()



In [ ]:

    
C2 = np.load('../results_again_again/hypothesis_test/meanC2.npy')



In [ ]:

    
C2.min(),C2.max()



In [ ]:

    
p = np.load('../results_again_again/hypothesis_test/pearcoff_motionRegress1filt0global0/Pvals.npy')



In [ ]:

    
p.min(),p.max()

Bugs

LEUVEN_1 50703 - 0050703_fc_map_flirt.nii.gz - It is the FC map transformed to MNI 3mm Space. But the transformation looks really bad.
0050706_fc_map_flirt.nii.gz
0050753_fc_map_flirt.nii.gz Coz the original brain was translated to left
check 0050752 ???



In [ ]:

    
import os
save_destination = '/home1/varunk/results_again_again/hypothesis_test/hypothesis_test_pearcoff_motionRegress0filt0global0'
os.path.exists(save_destination)



In [ ]:

    
os.mkdir(save_destination)



In [ ]:

    
import numpy as np
l = '/home1/varunk/results_again_again/hypothesis_test/hypothesis_test_pearcoff_motionRegress0filt0global0/Pvals.npy'

X = np.load(l)
X.shape

	SITE_ID	SUB_ID	DX_GROUP	DSM_IV_TR	AGE_AT_SCAN	SEX	HANDEDNESS_CATEGORY	HANDEDNESS_SCORES	FIQ	VIQ	...	WISC_IV_BLK_DSN_SCALED	WISC_IV_PIC_CON_SCALED	WISC_IV_MATRIX_SCALED	WISC_IV_DIGIT_SPAN_SCALED	WISC_IV_LET_NUM_SCALED	WISC_IV_CODING_SCALED	WISC_IV_SYM_SCALED	EYE_STATUS_AT_SCAN	AGE_AT_MPRAGE	BMI
577	SDSU	50183	1	1	14.14	1	R	NaN	139.0	128.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
586	SDSU	50192	1	1	12.99	1	R	NaN	85.0	93.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
810	UM_1	50272	1	1	14.20	1	R	NaN	98.5	100.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
811	UM_1	50273	1	1	16.80	1	R	NaN	112.5	109.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
812	UM_1	50274	1	1	14.20	1	R	NaN	111.5	106.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
813	UM_1	50275	1	1	11.50	1	L	NaN	85.0	106.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
815	UM_1	50277	1	1	15.40	1	L	NaN	107.5	96.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
817	UM_1	50279	1	1	12.20	1	R	NaN	87.5	75.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
818	UM_1	50280	1	1	15.60	1	-9999	NaN	85.0	81.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
820	UM_1	50282	1	1	15.20	1	NaN	NaN	121.0	118.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
821	UM_1	50283	1	1	11.20	1	R	NaN	97.5	91.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
825	UM_1	50287	1	1	14.40	1	L	NaN	96.5	90.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
826	UM_1	50288	1	1	11.10	1	R	NaN	105.0	104.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
828	UM_1	50290	1	1	14.00	1	R	NaN	108.5	103.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
829	UM_1	50291	1	1	13.90	1	R	NaN	96.0	98.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
830	UM_1	50292	1	1	12.60	1	R	NaN	89.5	91.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
831	UM_1	50293	1	1	12.40	1	R	NaN	-9999.0	126.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
833	UM_1	50295	1	1	11.50	1	R	NaN	135.0	133.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
834	UM_1	50296	1	1	15.10	1	R	NaN	89.0	78.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
836	UM_1	50298	1	1	12.80	1	R	NaN	101.0	121.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
837	UM_1	50299	1	1	12.20	1	R	NaN	87.5	96.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
839	UM_1	50301	1	1	16.10	1	L	NaN	97.0	101.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
841	UM_1	50303	1	1	11.60	1	R	NaN	84.0	75.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
842	UM_1	50304	1	1	11.00	1	-9999	NaN	96.5	99.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
843	UM_1	50305	1	1	10.90	1	R	NaN	85.0	103.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
844	UM_1	50306	1	1	8.50	1	R	NaN	76.0	86.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
845	UM_1	50307	1	1	9.70	1	Ambi	NaN	81.5	87.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
846	UM_1	50308	1	1	8.90	1	-9999	NaN	113.0	113.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
848	UM_1	50310	1	1	9.70	1	R	NaN	78.5	82.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
849	UM_1	50311	1	1	9.80	1	-9999	NaN	89.0	96.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
734	UCLA_1	51234	1	1	10.91	1	R	NaN	87.0	93.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	10.91	NaN
735	UCLA_1	51235	1	1	10.67	1	R	NaN	132.0	130.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	10.67	NaN
736	UCLA_1	51236	1	1	12.42	1	R	NaN	89.0	85.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	12.42	NaN
737	UCLA_1	51237	1	1	17.40	1	R	NaN	100.0	112.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	17.40	NaN
738	UCLA_1	51238	1	1	10.85	1	R	NaN	73.0	67.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	10.64	NaN
739	UCLA_1	51239	1	1	13.67	1	R	NaN	86.0	98.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	13.67	NaN
740	UCLA_1	51240	1	1	14.96	1	R	NaN	121.0	106.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	15.40	NaN
741	UCLA_1	51241	1	1	10.90	1	R	NaN	95.0	87.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	11.03	NaN
743	UCLA_1	51243	1	1	11.69	1	R	NaN	101.0	96.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
744	UCLA_1	51244	1	1	13.09	1	R	NaN	-9999.0	83.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
745	UCLA_1	51245	1	1	14.98	1	R	NaN	64.0	59.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
746	UCLA_1	51246	1	1	13.10	1	R	NaN	84.0	85.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
747	UCLA_1	51247	1	1	11.97	1	R	NaN	118.0	108.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
748	UCLA_1	51248	1	1	13.50	1	R	NaN	110.0	99.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	13.50	NaN
749	UCLA_1	51249	1	1	8.49	1	R	NaN	107.0	112.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	8.49	NaN
783	UCLA_2	51291	1	1	16.47	1	R	NaN	86.0	83.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	16.63	NaN
784	UCLA_2	51292	1	1	12.24	1	R	NaN	75.0	83.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	12.24	NaN
785	UCLA_2	51293	1	1	13.08	1	R	NaN	92.0	102.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	13.08	NaN
786	UCLA_2	51294	1	1	11.70	1	R	NaN	87.0	89.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	12.06	NaN
787	UCLA_2	51295	1	1	10.04	1	L	NaN	108.0	95.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	10.33	NaN
788	UCLA_2	51296	1	1	11.16	1	R	NaN	77.0	71.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	11.16	NaN
789	UCLA_2	51297	1	1	14.27	1	L	NaN	88.0	98.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	14.27	NaN
790	UCLA_2	51298	1	1	10.57	1	R	NaN	118.0	104.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	10.69	NaN
791	UCLA_2	51299	1	1	14.77	1	R	NaN	104.0	106.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	14.77	NaN
792	UCLA_2	51300	1	1	14.08	1	L	NaN	92.0	104.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	14.08	NaN
793	UCLA_2	51301	1	1	13.28	1	R	NaN	91.0	108.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	13.28	NaN
794	UCLA_2	51302	1	1	10.85	1	R	NaN	87.0	75.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	10.85	NaN
809	UCLA_2	51317	1	1	12.82	1	R	NaN	102.0	99.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	12.82	NaN
217	MAX_MUN	51350	1	1	11.00	1	R	NaN	79.0	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
218	MAX_MUN	51351	1	1	11.00	1	R	NaN	79.0	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN

	SITE_ID	SUB_ID	DX_GROUP	AGE_AT_SCAN	SEX	HANDEDNESS_CATEGORY	HANDEDNESS_SCORES	FIQ	VIQ	...	WISC_IV_BLK_DSN_SCALED	WISC_IV_PIC_CON_SCALED	WISC_IV_MATRIX_SCALED	WISC_IV_DIGIT_SPAN_SCALED	WISC_IV_LET_NUM_SCALED	WISC_IV_CODING_SCALED	WISC_IV_SYM_SCALED	EYE_STATUS_AT_SCAN	AGE_AT_MPRAGE	BMI
520	PITT	50031	2	12.92	1	R	NaN	106.0	102.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
522	PITT	50033	2	12.15	1	R	NaN	98.0	98.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
523	PITT	50034	2	14.77	1	R	NaN	97.0	98.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
524	PITT	50035	2	17.36	1	R	NaN	107.0	109.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
532	PITT	50043	2	13.78	1	R	NaN	113.0	115.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
533	PITT	50044	2	17.13	1	R	NaN	110.0	117.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
534	PITT	50045	2	15.70	1	R	NaN	114.0	115.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
536	PITT	50047	2	15.35	1	R	NaN	103.0	95.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
537	PITT	50048	2	11.81	1	R	NaN	107.0	98.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
539	PITT	50050	2	14.37	1	L	NaN	113.0	104.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
540	PITT	50051	2	12.83	1	R	NaN	107.0	101.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
542	PITT	50054	2	9.44	1	R	NaN	95.0	99.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
676	TRINITY	50257	2	14.91	1	R	NaN	113.0	105.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
683	TRINITY	50265	2	12.25	1	R	NaN	101.0	97.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
684	TRINITY	50266	2	15.91	1	R	NaN	116.0	118.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
685	TRINITY	50267	2	17.50	1	R	NaN	116.0	114.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
686	TRINITY	50268	2	14.41	1	R	NaN	96.0	107.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
687	TRINITY	50269	2	14.66	1	R	NaN	113.0	110.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
151	LEUVEN_2	50724	2	15.10	1	R	NaN	NaN	103.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
152	LEUVEN_2	50725	2	14.20	1	L	NaN	NaN	105.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
153	LEUVEN_2	50726	2	16.60	1	R	NaN	NaN	130.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
154	LEUVEN_2	50727	2	13.90	1	L->R	NaN	NaN	122.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
155	LEUVEN_2	50728	2	15.60	1	R	NaN	NaN	116.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
157	LEUVEN_2	50731	2	16.20	1	R	NaN	NaN	124.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
158	LEUVEN_2	50732	2	12.40	1	R	NaN	NaN	127.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
159	LEUVEN_2	50733	2	14.70	1	R	NaN	NaN	124.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
160	LEUVEN_2	50734	2	16.60	1	R	NaN	NaN	97.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
163	LEUVEN_2	50737	2	12.20	1	R	NaN	NaN	119.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
164	LEUVEN_2	50738	2	12.80	1	R	NaN	NaN	124.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
165	LEUVEN_2	50739	2	15.20	1	R	NaN	NaN	119.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
166	LEUVEN_2	50740	2	12.40	1	R	NaN	NaN	127.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
167	LEUVEN_2	50741	2	14.20	1	R	NaN	NaN	119.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
168	LEUVEN_2	50742	2	16.90	1	R	NaN	NaN	122.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
346	NYU	51064	2	7.26	1	NaN	61.0	119.0	127.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	16.98
347	NYU	51065	2	10.52	1	NaN	46.0	105.0	111.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	29.62
352	NYU	51070	2	7.29	1	NaN	82.0	109.0	112.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	-9999.00
353	NYU	51071	2	10.69	1	NaN	-9999.0	80.0	92.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	18.59
354	NYU	51072	2	11.91	1	NaN	100.0	121.0	120.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	-9999.00
355	NYU	51073	2	12.49	1	NaN	54.0	126.0	109.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	-9999.00
356	NYU	51074	2	12.81	1	NaN	75.0	123.0	117.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	-9999.00
357	NYU	51075	2	14.20	1	NaN	-9999.0	109.0	121.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	-9999.00
358	NYU	51076	2	16.93	1	NaN	25.0	124.0	120.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	-9999.00
359	NYU	51077	2	17.30	1	NaN	69.0	109.0	113.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	26.46
691	TRINITY	51133	2	12.04	1	R	NaN	91.0	100.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
692	TRINITY	51134	2	16.83	1	R	NaN	89.0	81.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
693	TRINITY	51135	2	13.75	1	R	NaN	101.0	95.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
694	TRINITY	51136	2	12.66	1	R	NaN	126.0	125.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
695	TRINITY	51137	2	13.25	1	R	NaN	131.0	137.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
696	TRINITY	51138	2	12.66	1	R	NaN	99.0	94.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
698	TRINITY	51140	2	15.75	1	R	NaN	128.0	132.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
699	TRINITY	51141	2	15.91	1	R	NaN	97.0	91.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
700	TRINITY	51142	2	14.91	1	R	NaN	104.0	101.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
424	NYU	51159	2	12.81	1	NaN	100.0	118.0	122.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	22.04
228	MAX_MUN	51361	2	16.00	1	R	NaN	114.0	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
31	CALTECH	51487	2	17.00	1	R	NaN	113.0	106.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN

	SITE_ID	SUB_ID	DX_GROUP	DSM_IV_TR	AGE_AT_SCAN	SEX	HANDEDNESS_CATEGORY	HANDEDNESS_SCORES	FIQ	VIQ	...	WISC_IV_BLK_DSN_SCALED	WISC_IV_PIC_CON_SCALED	WISC_IV_MATRIX_SCALED	WISC_IV_DIGIT_SPAN_SCALED	WISC_IV_LET_NUM_SCALED	WISC_IV_CODING_SCALED	WISC_IV_SYM_SCALED	EYE_STATUS_AT_SCAN	AGE_AT_MPRAGE	BMI
178	LEUVEN_2	50752	1	1	14.7	1	L	NaN	NaN	92.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
179	LEUVEN_2	50753	1	1	14.3	1	R	NaN	NaN	78.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
180	LEUVEN_2	50754	1	1	12.3	1	R	NaN	NaN	97.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN

	SITE_ID	SUB_ID	DX_GROUP	DSM_IV_TR	AGE_AT_SCAN	SEX	HANDEDNESS_CATEGORY	HANDEDNESS_SCORES	FIQ	VIQ	...	WISC_IV_BLK_DSN_SCALED	WISC_IV_PIC_CON_SCALED	WISC_IV_MATRIX_SCALED	WISC_IV_DIGIT_SPAN_SCALED	WISC_IV_LET_NUM_SCALED	WISC_IV_CODING_SCALED	WISC_IV_SYM_SCALED	EYE_STATUS_AT_SCAN	AGE_AT_MPRAGE	BMI
61	CMU	50666	2	0	31.0	1	R	NaN	107.0	101.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
62	CMU	50667	2	0	40.0	1	R	NaN	128.0	122.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
63	CMU	50668	2	0	25.0	1	R	NaN	110.0	109.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
64	CMU	50669	2	0	30.0	2	R	NaN	126.0	123.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	2	NaN	NaN
120	LEUVEN_1	50682	2	0	23.0	1	R	NaN	128.0	118.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
121	LEUVEN_1	50683	2	0	24.0	1	R	NaN	106.0	113.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
122	LEUVEN_1	50685	2	0	23.0	1	R	NaN	112.0	114.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
123	LEUVEN_1	50686	1	1	19.0	1	R	NaN	92.0	88.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
124	LEUVEN_1	50687	2	0	22.0	1	R	NaN	124.0	121.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
125	LEUVEN_1	50688	2	0	21.0	1	R	NaN	98.0	103.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
126	LEUVEN_1	50689	1	1	21.0	1	R	NaN	106.0	115.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
127	LEUVEN_1	50690	1	1	22.0	1	R	NaN	101.0	95.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
128	LEUVEN_1	50691	2	0	22.0	1	R	NaN	146.0	133.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
129	LEUVEN_1	50692	2	0	22.0	1	R	NaN	109.0	112.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
130	LEUVEN_1	50693	1	1	22.0	1	R	NaN	128.0	128.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
131	LEUVEN_1	50694	1	1	19.0	1	R	NaN	109.0	103.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
132	LEUVEN_1	50695	1	1	19.0	1	R	NaN	101.0	126.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
133	LEUVEN_1	50696	1	1	20.0	1	R	NaN	121.0	118.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
134	LEUVEN_1	50697	1	1	19.0	1	R	NaN	101.0	99.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
135	LEUVEN_1	50698	2	0	28.0	1	R	NaN	109.0	107.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
136	LEUVEN_1	50699	2	0	21.0	1	R	NaN	104.0	114.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
137	LEUVEN_1	50700	1	1	23.0	1	L	NaN	128.0	110.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
138	LEUVEN_1	50701	2	0	18.0	1	R	NaN	109.0	131.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
139	LEUVEN_1	50702	1	1	18.0	1	R	NaN	100.0	110.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
140	LEUVEN_1	50703	2	0	29.0	1	R	NaN	108.0	112.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
141	LEUVEN_1	50704	1	1	29.0	1	R	NaN	119.0	121.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
142	LEUVEN_1	50705	1	1	24.0	1	R	NaN	111.0	113.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
143	LEUVEN_1	50706	2	0	22.0	1	L	NaN	134.0	136.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
144	LEUVEN_1	50707	2	0	22.0	1	R	NaN	113.0	121.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN
145	LEUVEN_1	50708	1	1	32.0	1	R	NaN	89.0	97.0	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1	NaN	NaN