+ größe/gewicht/dominanz/temp in csv und über split aufteilen und mit ID verknüpfen oder mit pandar,
eod basefrequenz rausziehen, scatter plot gegen cutoff frequency, ...
    - cutoff - dominance score
    - cutoff - basefrequency
    - gain - dominance_score: für gain predict machen pro fish,
    hab ich dazu die richtige zeitckonstante aus gain_fit?
    ... da ich ja prediction auch über sin und nicht step mache dann
+ eigenmannia: specgram von pre_data neben specgram von data machen um zu sehen ob analyse fehler oder fehler in import_data
    - erkenntnis: hab bei bm/jm nicht den gleichen mean abgezogen..
    - an sich res_df besser, jedoch immer noch relativ variabel
    - -2Hz bei meisten negative JAR?
    - evtl. doch mean anstatt median für response am ende?
+ look at step eigen data
    - norming of data: what if in norm = ground / jar with jar == 0.0?
+ look at 5Hz data - compare

long term:
- extra datei mit script drin um fertige daten darzustellen, den fit-code nur zur datenverarbeitung verwenden
- darstellung: specgram --> rausgezogene jarspur darüber --> filterung --> fit und daten zusammen dargestellt, das ganze für verschiedene frequenzen
- unterschiedliche nffts auf anderem rechner laufen lassen evtl um unterschiede zu sehen

- phase in degree: phase % (2pi) - modulo 2pi

(
- mit zu hohem RMS rauskicken: evtl nur ein trace rauskicken wenn nur da RMS zu hoch
- 2019lepto27/30: 27 - 0.05Hz (7-27-af, erste dat mit len(dat)=1), 30 - 0.001Hz (7-30-ah mit 0.005 anstatt gewollten 0.001Hz --> fehlt)
)