27 lines
1.5 KiB
Plaintext
27 lines
1.5 KiB
Plaintext
+ 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)
|
|
) |