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

func2std Code


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

Reading CSV using pandas


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 [ ]: