4. 数据的输入
在Nipype中提供了丰富的文件操作功能，使得我们在数据处理时不需要再把数据“复制过来，粘贴过去”，不仅极大地简化了操作，也避免了存储空间的浪费。
4.1 DataGrabber
顾名思义，DataGrabber是一个数据抓取工具，能够从指定的目录中按照一定的规则挑选出需要的数据。
假设我们使用的是DS00014的数据集合，其数据结构如下图所示：
对于这样一个数据集合，如何从中挑选出fingerfootlips任务的数据呢？其实可以这样：
import nipype.interfaces.io as nio
# 生成一个DataGrabber对象
ds = nio.DataGrabber()
# 指定根目录
ds.inputs.base_directory = '/data/ds000114'
# 指定模板，用来过滤文档
ds.inputs.template = 's*/ses-test/func/*fingerfootlips*.nii.gz'
# 需要注意的是，此处并没有对文档进行排序，如果需要排序需要指定sorted参数
ds.inputs.sort_filelist = True
# 执行
results = ds.run()
# 查看执行结果
results.outputs
使用这段代码，可以在/data/ds000114文件夹下挑选出所有满足s*/ses-test/func/*fingerfootlips*.nii.gz这一模式的文档。如果想要过滤出特定ID的被试怎么办呢？可以这样：
# 在生成DataGrabber对象的时候，需要指定infields参数
ds = nio.DataGrabber(infields=['subject_id'])
ds.inputs.base_directory = '/data/ds000114'
# 使用%02d来设计模板
ds.inputs.template = 'sub-%02d/ses-test/func/*fingerfootlips*.nii.gz'
ds.inputs.sort_filelist = True
# 指定subject_id的具体数值
ds.inputs.subject_id = [1, 7]
results = ds.run()
results.outputs
可见，Nipype的数据挑选方式有多么灵活。
官方文档中还给了几个其他的例子，其实并不是很好懂，建议没有时间的小伙伴们不要把太多的精力放在上面，因为接下来要介绍的SelectFiles会比DataGrabber更加的灵活和清晰。唯一还需要说明的是，DataGrabber的构造函数中，还有一个常用的参数，叫outfields，这个参数的含义是DataGrabber的输出会变成一个类似于字典的数据结构，该结构的KEY是由outfileds来确定。使用outfileds后，就可以用同一个DataGrabber使用不同的模板来挑选各种各样的文件了。
4.2 SelectFiles
相比于DataGrabber，SelectFiles应该是一种更加直观的数据抓取工具，它使用的是基于大括号{}的模板。这对于写过Rails和Flask的小伙伴来说应该会更加容易理解。先举个例子（这也是官方文档的例子）：
msg = "This workflow uses {package}."
print(msg.format(package="FSL"))
这样一段Python代码执行之后，会看到什么结果呢？运行之后，我们可以看到：
This workflow uses FSL.
很直观的，源代码中的{package}变成了FSL，这也就是我所谓的基于大括号的模板，那么在实际中应该如何应用呢？再来看下一段代码：
from nipype import SelectFiles, Node
templates = {'anat': 'sub-{subject_id}\\ses-{ses_name}\\anat\\sub-{subject_id}_ses-{ses_name}_T1w.nii.gz',
'func': 'sub-{subject_id}\\ses-{ses_name}\\func\\sub-{subject_id}_ses-{ses_name}_task-{task_name}_bold.nii.gz'}
# Create SelectFiles node
sf = Node(SelectFiles(templates),
name='selectfiles')
# Location of the dataset folder
sf.inputs.base_directory = 'E:\\ds114_R2.0.0'
# Feed {}-based placeholder strings with values
sf.inputs.subject_id = '0[1,2]'
sf.inputs.ses_name = "test"
sf.inputs.task_name = 'fingerfootlips'
sf.run().outputs
运行上述代码之后，会得到如下结果：
anat = ['E:\\ds114_R2.0.0\\sub-01\\ses-test\\anat\\sub-01_ses-test_T1w.nii.gz', 'E:\\ds114_R2.0.0\\sub-02\\ses-test\\anat\\sub-02_ses-test_T1w.nii.gz']
func = ['E:\\ds114_R2.0.0\\sub-01\\ses-test\\func\\sub-01_ses-test_task-fingerfootlips_bold.nii.gz', 'E:\\ds114_R2.0.0\\sub-02\\ses-test\\func\\sub-02_ses-test_task-fingerfootlips_bold.nii.gz']
首先，可以看到，按照模板的设置，系统的输出会分成anat和func两部分，这个的效果就与DataGrabber的outfields是一致的。其次模板中的{subject_id}被替换成了01和02，{ses_name}被替换成了test，{task_name}被替换成了fingerfootlips。当然，和DataGrabber一样，模板中还是可以使用*符号的。最后，在替换时，使用的是字符串直接替换，因此在给模板中的变量赋值的时候，是不能使用['01','02']这种形式的，否则系统会报错。
5. BIDS格式的输入
DataGrabber和SelectFiles为我们提供了便捷的数据选择工具，不过如果你使用的是标准的BIDS格式的数据（据说OpenfMRI上的数据都是以这种格式组织的），那么恭喜你，Nipype提供了更加便捷的数据访问方式。
5.1 pybids
要想享受Nipype和BIDS给你带来的种种便捷，还需要安装pybids这样一个python工具包，安装的方式很简单：
pip install pybids
我自己刚刚试了一下，想用conda安装，不过报错了，可能需要添加新的channel，回头再研究一下这个问题。用pip安装是没有任何问题的。
在使用pybids的时候，先导入BIDSLayout对象，在生成一个对象（好吧，其实你注意到了，我把数据换了路径存放，而且是在windows下）
from bids.grabbids import BIDSLayout
layout = BIDSLayout("E:\\Workspaces\\nipy\\data")
之后就可以使用layout来获得一些数据集的元信息以及一些具体的任务对应的数据文件。
先来看一下一些常用的元数据的获取方法，包括：
-
get_subjects()获取所有的被试 get_modalities()get_types()-
get_tasks()获取所有的任务 -
get_metadata获取nii和nii.gz文件的元数据
如果要获得对应的数据文件，就可以直接调用get()函数，并在get函数中通过参数指明所需要的数据集的特征，常用的参数包括：
-
subject指定被试，可以指定多个被试，例如：layout.get(subject=['01','02'])就可以获取所有01和02的数据文件 modalitytypesession-
task指定执行的任务，例如：layout.get(task='')就可以获得 -
return_type返回数据的类型。默认情况下，get函数会返回一个文件对象，包括该文件所属的被试、session、task、type等信息，例如：File(filename='E:\\Workspaces\\nipy\\data\\sub-02\\ses-test\\func\\sub-02_ses-test_task-linebisection_events.tsv', subject='02', session='test', task='linebisection', type='events', modality='func')，如果想要获得的只是文件路径，那么就需要指定该参数为'file' -
extensions指定返回文件的扩展文件名，例如extensions=['nii', 'nii.gz']，就会返回所有后缀为nii和nii.gz的文件
5.2 pybids+nipype
pybids 已经很好的完成了所有想要做的工作，唯一的缺陷是还不能加入到我们的Workflow中，那么该如何实现呢？一个比较直观的想法就是将pybids的工作封装到Node中，而封装就需要先定义一个函数：
def get_niftis(subject_id, data_dir):
from bids.grabbids import BIDSLayout
layout = BIDSLayout(data_dir)
bolds = layout.get(subject=subject_id, type="bold", return_type='file', extensions=['nii', 'nii.gz'])
return bolds
之后，就需要定义自定义Node节点了
from nipype.pipeline import Node
from nipype.interfaces.utility import Function
BIDSDataGrabber = Node(Function(function=get_niftis, input_names=["subject_id", "data_dir"], output_names=["bolds"]),
name="BIDSDataGrabber")
之后，就是输入
BIDSDataGrabber.inputs.data_dir = "E:\\Workspaces\\nipy\\data"
BIDSDataGrabber.inputs.subject_id='01'
res = BIDSDataGrabber.run()
res.outputs
但是，这样是无法遍历所有的subjects，如果需要遍历，还需要指定iterables参数（此处没有想明白，需要在实际操作的时候再来完善，先把这部分的内容记录下来）
BIDSDataGrabber.iterables = ('subject_id', layout.get_subjects()[:2])
6. 数据的输出
在Nipype中，输出也是以模块的形式呈现的，主要包括以下几种输出模块：
- DataSink
- JSONFileSink
- MySQLSink
- SQLiteSink
- XNATSink
从名称上不难发现，其中绝大多数是和特定的数据工具相关，比如MySQLSink和SQLiteSink一定是与MySQL和SQLite两种数据库相关，XNATSink肯定是和XNAT数据相关，JSONFileSink应该是以JSON文件的格式来存储和管理数据，DataSink应该是一种更为通用的数据格式。因此，不妨从DataSink来开始我们的学习。
XNAT( Extensible Neuroimaging Archive Toolkit )是一个开源的软件平台，旨在帮助神经影像及其相关数据的管理和挖掘。
6.1 DataSink
如前所述，DataSink是一种较为通用的数据存储模块，通常用于存储结构化的输出。在Workflow中，其工作目录就如同一个缓存，会存储着各个阶段的计算结果（如日志信息等），如果直接浏览Workflow的工作目录会让人十分崩溃，而我们的目标通常是这些中间过程中的一小部分。DataSink可以将缓存中的结果提取出来并放置到不同的位置。
DataSink中第一个重要参数是base_directory，该参数指定了DataSink存储的根目录。其他输入参数用于和其他模块对接，有趣的是DataSink用这些输入参数的名称指定了目录结构。其基本形式如下
string[[.[@]]string[[.[@]]string]] …
其中[]表示其中的内容是可选项，在DataSink中用.表示目录结构关系，例如：contrasts.con表示在根目录下会创建contrasts/con这样的目录结构，如果带有@则表示不会建立新的目录，例如contrasts.@con，则会创建contrasts目录，并把结果存储在contrasts目录下。
如果觉得说的不清楚，还是来看个例子吧，先来看一下Workflow图：
代码如下：
datasink = pe.Node(nio.DataSink(), name='sinker')
datasink.inputs.base_directory = '/path/to/output'
workflow.connect(inputnode, 'subject_id', datasink, 'container')
我们先创建了一个DataSink节点，然后将其根目录指定为/path/to/output，然后将inputnode节点的输出subject_id与datasink的container相连接，因此就会在/path/to/output/container中存储InputNode的subject_id输出。
workflow.connect(realigner, 'realigned_files', datasink, 'motion')
workflow.connect(realigner, 'realignment_parameters', datasink, 'motion.@par')
执行上面语句后，就会把头动矫正后的数据文件存储到/path/to/output/container/motion文件夹下，并将头动参数也存储到该文件夹下。
6.2 MySQLSink
MySQLSink用于将一些值直接存储到MySQL数据库中，示例代码如下：
sql = MySQLSink(input_names=['subject_id', 'some_measurement'])
sql.inputs.database_name = 'my_database'
sql.inputs.table_name = 'experiment_results'
sql.inputs.username = 'root'
sql.inputs.password = 'secret'
sql.inputs.subject_id = 's1'
sql.inputs.some_measurement = 11.4
sql.run()
这对于用过数据库的同学而言应该十分简单，就不做过多的说明了。
大致看了一下，其他几种模块都大同小异，就不仔细学习了，如果需要的话再去看文档吧，目前应该用不到。
未完待续
