產生的一系列檔案中：
（1）頭動矯正 其中fd_jenkinson最好
下面這個是很早以前用來排除被試的，現在不用了，現在都用meanfd排除
headmotion.tsv: 顯示最大或平均頭動，mean fd,...一般使用 mean fd後面做統計分析
（2）reonent fun和reonent t1用於質量控制，調整位置到前聯合（空間的原點） 自己可以打分
有的被試被掃的面積沒有覆蓋到全腦，用來檢驗蓋住的多少，
（4）t1 dicom to nifti：
dicom的結構像轉成nifti
（5）bet： 結構像和功能像配準之前去除頭皮干擾
具體步驟：先bet去除頭皮干擾，然後結構像去配準功能像，後再應用到之前未去頭皮的結構像，再去segment分割（帶著頭皮分割效果好，bet也有可能損傷）
（6）t1 coreg fun：結構像配到功能像空間
（7）segment：把大腦的結構像分割成灰質、白質和腦脊液，是老的segment不用
用new segment+dartel： 36min
segment生成的結果：
（8）nuisance covariates regression：去除雜訊
polynomial trend:1 去除線性漂移
head motion model: 用friston 24 做頭動矯正
（9）normalize 空間配準
意義：將很多被試者的大腦配到乙個標準的模板上面，才能對相同的東西進行比較，如pcc
方法：1.epi模板 2.t1先對t1分割成白質灰質腦脊液，再用到功能影象上去 3.dartel：用的最多
45min dartel：基於分割結果，基於100個被試的group ，，再把這個模板配到mni空間 費時。。
smooth：提高配準效果 注：計算reho、degree前不要用smooth！
default mask：基於腦內的體素進行
至此，所有的預處理步驟選擇完畢！！！ （只進行預處理的話，下面所有的一切全都不用選了）
資料分析：
資料處理 流資料處理利器
流處理 stream processing 是一種計算機程式設計正規化，其允許給定乙個資料序列 流處理資料來源 一系列資料操作 函式 被應用到流中的每個元素。同時流處理工具可以顯著提高程式設計師的開發效率，允許他們編寫有效 乾淨和簡潔的 流資料處理在我們的日常工作中非常常見，舉個例子，我們在業務開發...
爬蟲 資料處理 pandas資料處理
使用duplicated 函式檢測重複的行，返回元素為布林型別的series物件，每個元素對應一行，如果該行不是第一次出現，則元素為true keep引數 指定保留哪一重複的行資料 dataframe替換操作 使用df.std 函式可以求得dataframe物件每一列的標準差 資料清洗清洗重複值 清...
資料處理 pandas資料處理優化方法小結
資料處理時使用最多的就是pandas庫，pandas在資料處理方面很強大，整合了資料處理和資料視覺化。pandas的視覺化使用的是matplotlib。回到主題 計算資料的某個欄位的所有值，對其欄位所有值進行運算 處理的字段資料為時間戳，需要計算該時間戳距離現在的時間，單位為天。一般方法 使用現在的...