In [2]:
from bids.grabbids import BIDSLayout
from nipype.interfaces.fsl import (BET, ExtractROI, FAST, FLIRT, ImageMaths,
MCFLIRT, SliceTimer, Threshold,Info, ConvertXFM,MotionOutliers)
import nipype.interfaces.fsl as fsl
from nipype.interfaces.afni import Resample
from nipype.interfaces.io import DataSink
from nipype.pipeline import Node, MapNode, Workflow, JoinNode
from nipype.interfaces.utility import IdentityInterface, Function
import os
from os.path import join as opj
from nipype.interfaces import afni
import nibabel as nib
import json
import numpy as np
Failed to import duecredit due to No module named 'duecredit.version'
In [3]:
# func = '../results_again_again/fc_motionRegress1filt1global1/_subject_id_0050002/pearcoff/0050002_fc_map.nii.gz'
In [4]:
# func
In [5]:
os.chdir('/home1/varunk/Autism-Connectome-Analysis-bids-related/')
In [6]:
# Node for applying xformation matrix to functional data
func2std_xform = Node(FLIRT(output_type='NIFTI',
apply_xfm=True), name="func2std_xform")
In [ ]:
In [7]:
in_file = '/home1/varunk/results_again_again/test/0050002_fc_map.nii.gz'
ref = '/home1/varunk/results_again_again/test/MNI152_T1_2mm_brain_resample.nii'
# ref = '../results_again_again/test/MNI152_T1_3mm.nii.gz'
# ref = '/home1/varunk/results_again_again/test/MNI152_T1_3mm.nii'
mat_file = '/home1/varunk/results_again_again/test/sub-0050002_task-rest_run-1_bold_roi_st_mcf_mean_bet_flirt_sub-0050002_T1w_resample_brain_flirt.mat'
# out_file = '/home1/varunk/results_again_again/test/sub-0050002_std.nii.gz'
In [8]:
# /home1/varunk/results_again_again/test/MNI152_T1_3mm.nii.gz
In [9]:
# import nibabel as nib
# brain_data = nib.load(ref)
# brain = brain_data.get_data()
# brain_with_header = nib.Nifti1Image(brain, affine=brain_data.affine,header = brain_data.header)
# nib.save(brain_with_header,'../results_again_again/test/MNI152_T1_3mm.nii.gz')
In [10]:
func2std_xform.inputs.in_file = in_file
func2std_xform.inputs.reference = ref
func2std_xform.inputs.in_matrix_file = mat_file
# func2std_xform.inputs.out_file = out_file
In [11]:
func2std_xform.inputs
Out[11]:
angle_rep = <undefined>
apply_isoxfm = <undefined>
apply_xfm = True
args = <undefined>
bbrslope = <undefined>
bbrtype = <undefined>
bgvalue = <undefined>
bins = <undefined>
coarse_search = <undefined>
cost = <undefined>
cost_func = <undefined>
datatype = <undefined>
display_init = <undefined>
dof = <undefined>
echospacing = <undefined>
environ = {'FSLOUTPUTTYPE': 'NIFTI'}
fieldmap = <undefined>
fieldmapmask = <undefined>
fine_search = <undefined>
force_scaling = <undefined>
ignore_exception = False
in_file = /home1/varunk/results_again_again/test/0050002_fc_map.nii.gz
in_matrix_file = /home1/varunk/results_again_again/test/sub-0050002_task-rest_run-1_bold_roi_st_mcf_mean_bet_flirt_sub-0050002_T1w_resample_brain_flirt.mat
in_weight = <undefined>
interp = <undefined>
min_sampling = <undefined>
no_clamp = <undefined>
no_resample = <undefined>
no_resample_blur = <undefined>
no_search = <undefined>
out_file = <undefined>
out_log = <undefined>
out_matrix_file = <undefined>
output_type = NIFTI
padding_size = <undefined>
pedir = <undefined>
ref_weight = <undefined>
reference = /home1/varunk/results_again_again/test/MNI152_T1_2mm_brain_resample.nii
rigid2D = <undefined>
save_log = <undefined>
schedule = <undefined>
searchr_x = <undefined>
searchr_y = <undefined>
searchr_z = <undefined>
sinc_width = <undefined>
sinc_window = <undefined>
terminal_output = stream
uses_qform = <undefined>
verbose = <undefined>
wm_seg = <undefined>
wmcoords = <undefined>
wmnorms = <undefined>
In [12]:
result = func2std_xform.run()
171130-01:05:41,548 workflow INFO:
Executing node func2std_xform in dir: /tmp/tmpw2ldp2xp/func2std_xform
171130-01:05:41,558 workflow INFO:
Running: flirt -in /home1/varunk/results_again_again/test/0050002_fc_map.nii.gz -ref /home1/varunk/results_again_again/test/MNI152_T1_2mm_brain_resample.nii -out 0050002_fc_map_flirt.nii -omat 0050002_fc_map_flirt.mat -applyxfm -init /home1/varunk/results_again_again/test/sub-0050002_task-rest_run-1_bold_roi_st_mcf_mean_bet_flirt_sub-0050002_T1w_resample_brain_flirt.mat
In [13]:
# applyxfm = fsl.ApplyXfm()
# applyxfm.inputs.in_file = in_file
# applyxfm.inputs.in_matrix_file =mat_file
# # applyxfm.inputs.out_file = 'newfile.nii'
# applyxfm.inputs.reference = ref
# applyxfm.inputs.apply_xfm = True
# result = applyxfm.run()
In [14]:
# func2std_xform.inputs
# (maskfunc4mean, std2func_xform, [(('out_file','reference'))]),
# (resample_atlas, std2func_xform, [('out_file','in_file')] ),
# # Now, applying the inverse matrix
# (inv_mat, std2func_xform, [('out_file','in_matrix_file')]), # output: Atlas in func space
---------------------------------------------------------------------------
NameError Traceback (most recent call last)
<ipython-input-14-697c3909602c> in <module>()
1 func2std_xform.inputs
2
----> 3 (maskfunc4mean, std2func_xform, [(('out_file','reference'))]),
4
5 (resample_atlas, std2func_xform, [('out_file','in_file')] ),
NameError: name 'maskfunc4mean' is not defined
In [ ]:
X = np.load('../results_again_again/fc_datasink/pearcoff_motionRegress0filt0global0/fc_map_brain_file_list.npy')
In [ ]:
X
In [15]:
import pandas as pd
In [16]:
df = pd.read_csv('/home1/varunk/data/ABIDE1/RawDataBIDs/composite_phenotypic_file.csv') # , index_col='SUB_ID'
In [17]:
table = df.sort_values(['SUB_ID'])
In [18]:
table
Out[18]:
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
489
PITT
50002
1
1
16.77
1
Ambi
NaN
103.0
116.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
490
PITT
50003
1
1
24.45
1
R
NaN
124.0
128.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
491
PITT
50004
1
1
19.09
1
R
NaN
113.0
108.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
492
PITT
50005
1
1
13.73
2
R
NaN
119.0
117.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
493
PITT
50006
1
1
13.37
1
L
NaN
109.0
99.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
494
PITT
50007
1
1
17.78
1
R
NaN
110.0
106.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
495
PITT
50008
1
1
32.45
1
R
NaN
123.0
123.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
496
PITT
50009
1
1
33.86
1
R
NaN
126.0
118.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
497
PITT
50010
1
1
35.20
1
L
NaN
81.0
81.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
498
PITT
50011
1
1
16.93
1
L
NaN
111.0
101.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
499
PITT
50012
1
1
21.48
1
R
NaN
128.0
119.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
500
PITT
50013
1
1
9.33
1
R
NaN
86.0
89.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
501
PITT
50014
1
1
14.20
1
R
NaN
96.0
97.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
502
PITT
50015
1
1
14.20
1
R
NaN
99.0
98.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
503
PITT
50016
1
1
21.82
1
R
NaN
123.0
120.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
504
PITT
50017
1
1
22.70
1
R
NaN
87.0
91.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
505
PITT
50019
1
1
27.81
1
R
NaN
100.0
89.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
506
PITT
50020
1
1
20.83
1
R
NaN
100.0
120.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
507
PITT
50022
1
1
16.99
1
R
NaN
119.0
110.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
508
PITT
50023
1
1
12.64
2
R
NaN
97.0
83.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
509
PITT
50024
1
1
22.64
1
R
NaN
127.0
121.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
510
PITT
50025
1
1
31.72
1
R
NaN
131.0
132.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
511
PITT
50026
1
1
16.28
1
R
NaN
87.0
90.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
512
PITT
50027
1
1
12.24
1
R
NaN
98.0
98.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
513
PITT
50028
1
1
12.74
1
R
NaN
126.0
112.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
514
PITT
50029
1
1
11.40
2
R
NaN
106.0
109.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
519
PITT
50030
2
0
25.12
1
-9999
NaN
105.0
100.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
520
PITT
50031
2
0
12.92
1
R
NaN
106.0
102.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
521
PITT
50032
2
0
19.80
1
R
NaN
119.0
116.0
...
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
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
548
SBL
51558
2
0
27.00
1
NaN
80.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
549
SBL
51559
2
0
27.00
1
NaN
100.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
550
SBL
51560
2
0
27.00
1
NaN
70.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
551
SBL
51561
2
0
36.00
1
NaN
100.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
552
SBL
51562
2
0
37.00
1
NaN
90.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
553
SBL
51563
2
0
38.00
1
NaN
80.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
554
SBL
51564
2
0
39.00
1
NaN
90.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
555
SBL
51565
2
0
39.00
1
NaN
100.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
556
SBL
51566
2
0
41.00
1
NaN
70.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
557
SBL
51567
2
0
34.00
1
NaN
100.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
558
SBL
51568
2
0
37.00
1
NaN
100.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
559
SBL
51569
2
0
36.00
1
NaN
100.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
560
SBL
51570
2
0
42.00
1
NaN
-100.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
561
SBL
51571
1
1
22.00
1
NaN
-90.0
-9999.0
101.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
22.45
562
SBL
51572
1
2
28.00
1
NaN
60.0
-9999.0
93.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
22.33
563
SBL
51573
1
3
30.00
1
L
-9999.0
-9999.0
108.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
18.81
564
SBL
51574
1
2
30.00
1
NaN
100.0
-9999.0
105.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
30.79
565
SBL
51575
1
2
31.00
1
NaN
100.0
-9999.0
100.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
30.61
566
SBL
51576
1
3
31.00
1
NaN
80.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
567
SBL
51577
1
3
31.00
1
NaN
-40.0
-9999.0
-9999.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
568
SBL
51578
1
2
33.00
1
NaN
-100.0
125.0
129.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
569
SBL
51579
1
3
41.00
1
NaN
100.0
110.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
570
SBL
51580
1
3
42.00
1
NaN
60.0
-9999.0
117.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
23.85
571
SBL
51581
1
3
64.00
1
NaN
100.0
120.0
119.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
572
SBL
51582
1
2
31.00
1
NaN
80.0
-9999.0
116.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
28.68
573
SBL
51583
1
2
35.00
1
NaN
100.0
95.0
105.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
574
SBL
51584
1
2
49.00
1
NaN
100.0
-9999.0
133.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
23.24
575
SBL
51585
1
1
27.00
1
NaN
90.0
96.0
99.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
-9999.00
184
MAX_MUN
51606
1
2
29.00
2
R
NaN
118.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
185
MAX_MUN
51607
1
2
26.00
1
R
NaN
110.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
1112 rows × 74 columns
In [19]:
sub_id = df.as_matrix(columns=['SUB_ID'])#table['SUB_ID']
In [20]:
type(sub_id)
Out[20]:
numpy.ndarray
In [21]:
sub_id.shape
Out[21]:
(1112, 1)
In [22]:
table.SUB_ID.loc[lambda s: s == 50002]
Out[22]:
489 50002
Name: SUB_ID, dtype: int64
In [23]:
table.loc[(table['SUB_ID'] > 50010) & (table['SUB_ID'] < 50050)]
Out[23]:
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
498
PITT
50011
1
1
16.93
1
L
NaN
111.0
101.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
499
PITT
50012
1
1
21.48
1
R
NaN
128.0
119.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
500
PITT
50013
1
1
9.33
1
R
NaN
86.0
89.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
501
PITT
50014
1
1
14.20
1
R
NaN
96.0
97.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
502
PITT
50015
1
1
14.20
1
R
NaN
99.0
98.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
503
PITT
50016
1
1
21.82
1
R
NaN
123.0
120.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
504
PITT
50017
1
1
22.70
1
R
NaN
87.0
91.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
505
PITT
50019
1
1
27.81
1
R
NaN
100.0
89.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
506
PITT
50020
1
1
20.83
1
R
NaN
100.0
120.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
507
PITT
50022
1
1
16.99
1
R
NaN
119.0
110.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
508
PITT
50023
1
1
12.64
2
R
NaN
97.0
83.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
509
PITT
50024
1
1
22.64
1
R
NaN
127.0
121.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
510
PITT
50025
1
1
31.72
1
R
NaN
131.0
132.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
511
PITT
50026
1
1
16.28
1
R
NaN
87.0
90.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
512
PITT
50027
1
1
12.24
1
R
NaN
98.0
98.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
513
PITT
50028
1
1
12.74
1
R
NaN
126.0
112.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
514
PITT
50029
1
1
11.40
2
R
NaN
106.0
109.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
519
PITT
50030
2
0
25.12
1
-9999
NaN
105.0
100.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
520
PITT
50031
2
0
12.92
1
R
NaN
106.0
102.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
521
PITT
50032
2
0
19.80
1
R
NaN
119.0
116.0
...
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
525
PITT
50036
2
0
13.28
2
R
NaN
103.0
94.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
526
PITT
50037
2
0
19.16
1
R
NaN
115.0
112.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
527
PITT
50038
2
0
13.95
2
R
NaN
130.0
132.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
528
PITT
50039
2
0
30.66
1
R
NaN
118.0
110.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
529
PITT
50040
2
0
24.60
1
R
NaN
110.0
109.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
530
PITT
50041
2
0
27.92
1
R
NaN
103.0
108.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
531
PITT
50042
2
0
33.17
1
R
NaN
109.0
111.0
...
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
535
PITT
50046
2
0
20.65
1
R
NaN
100.0
88.0
...
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
538
PITT
50049
2
0
15.82
2
R
NaN
100.0
96.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
37 rows × 74 columns
In [24]:
# selecting Autistic males of age <= 20 years
table_males = table.loc[(table['SEX'] == 1) & (table['AGE_AT_SCAN'] <=20) & (table['DX_GROUP'] == 1) ]
In [25]:
table_males.shape
Out[25]:
(358, 74)
In [26]:
table_males
Out[26]:
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
489
PITT
50002
1
1
16.77
1
Ambi
NaN
103.0
116.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
491
PITT
50004
1
1
19.09
1
R
NaN
113.0
108.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
493
PITT
50006
1
1
13.37
1
L
NaN
109.0
99.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
494
PITT
50007
1
1
17.78
1
R
NaN
110.0
106.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
498
PITT
50011
1
1
16.93
1
L
NaN
111.0
101.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
500
PITT
50013
1
1
9.33
1
R
NaN
86.0
89.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
501
PITT
50014
1
1
14.20
1
R
NaN
96.0
97.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
502
PITT
50015
1
1
14.20
1
R
NaN
99.0
98.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
507
PITT
50022
1
1
16.99
1
R
NaN
119.0
110.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
511
PITT
50026
1
1
16.28
1
R
NaN
87.0
90.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
512
PITT
50027
1
1
12.24
1
R
NaN
98.0
98.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
513
PITT
50028
1
1
12.74
1
R
NaN
126.0
112.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
515
PITT
50053
1
1
12.03
1
R
NaN
122.0
119.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
516
PITT
50055
1
1
16.99
1
R
NaN
111.0
108.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
517
PITT
50056
1
1
13.59
1
R
NaN
113.0
101.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
456
OLIN
50118
1
0
15.00
1
R
NaN
80.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
465
OLIN
50120
1
0
15.00
1
R
NaN
103.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
463
OLIN
50121
1
0
20.00
1
R
NaN
118.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
454
OLIN
50122
1
0
12.00
1
L
NaN
112.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
457
OLIN
50123
1
0
17.00
1
R
NaN
135.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
461
OLIN
50124
1
0
18.00
1
R
NaN
100.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
460
OLIN
50126
1
0
17.00
1
R
NaN
133.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
467
OLIN
50128
1
0
16.00
1
R
NaN
114.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
455
OLIN
50129
1
0
12.00
1
R
NaN
108.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
470
OLIN
50130
1
0
18.00
1
R
NaN
129.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
466
OLIN
50132
1
0
16.00
1
R
NaN
-9999.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
462
OLIN
50133
1
0
11.00
1
R
NaN
112.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
459
OLIN
50134
1
0
18.00
1
L
NaN
124.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
453
OLIN
50135
1
0
12.00
1
L
NaN
97.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
458
OLIN
50136
1
0
19.00
1
R
NaN
131.0
NaN
...
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
186
MAX_MUN
51318
1
2
19.00
1
R
NaN
93.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
197
MAX_MUN
51329
1
2
18.00
1
R
NaN
95.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
215
MAX_MUN
51348
1
2
8.00
1
R
NaN
102.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
216
MAX_MUN
51349
1
2
11.00
1
R
NaN
105.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
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
219
MAX_MUN
51352
1
2
9.00
1
R
NaN
104.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
220
MAX_MUN
51353
1
2
7.00
1
R
NaN
113.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
221
MAX_MUN
51354
1
2
12.00
1
R
NaN
101.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
222
MAX_MUN
51355
1
2
11.00
1
R
NaN
122.0
NaN
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
1
NaN
NaN
16
CALTECH
51472
1
1
17.50
1
Ambi
NaN
125.0
123.0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2
NaN
NaN
358 rows × 74 columns
In [27]:
table_males_np = table_males.as_matrix(columns=['SUB_ID','DX_GROUP', 'DSM_IV_TR', 'AGE_AT_SCAN' ,'SEX' ,'EYE_STATUS_AT_SCAN'])
In [28]:
table_males_np
Out[28]:
array([[ 5.00020000e+04, 1.00000000e+00, 1.00000000e+00,
1.67700000e+01, 1.00000000e+00, 2.00000000e+00],
[ 5.00040000e+04, 1.00000000e+00, 1.00000000e+00,
1.90900000e+01, 1.00000000e+00, 2.00000000e+00],
[ 5.00060000e+04, 1.00000000e+00, 1.00000000e+00,
1.33700000e+01, 1.00000000e+00, 2.00000000e+00],
...,
[ 5.13540000e+04, 1.00000000e+00, 2.00000000e+00,
1.20000000e+01, 1.00000000e+00, 1.00000000e+00],
[ 5.13550000e+04, 1.00000000e+00, 2.00000000e+00,
1.10000000e+01, 1.00000000e+00, 1.00000000e+00],
[ 5.14720000e+04, 1.00000000e+00, 1.00000000e+00,
1.75000000e+01, 1.00000000e+00, 2.00000000e+00]])
In [35]:
# selecting Autistic males(DSM IV) of age <= 18 years
df_aut_lt18_m = table.loc[(table['SEX'] == 1) & (table['AGE_AT_SCAN'] <=18) & (table['DSM_IV_TR'] == 1) ]
In [36]:
df_aut_lt18_m.shape
Out[36]:
(214, 74)
In [37]:
df_td_lt18_m = table.loc[(table['SEX'] == 1) & (table['AGE_AT_SCAN'] <=18) & (table['DSM_IV_TR'] == 0) ]
In [38]:
df_td_lt18_m.shape
Out[38]:
(169, 74)
In [ ]:
Content source: varun-invent/Autism-Connectome-Analysis
Similar notebooks: