Modifying data in-place

MNE Python的许多数据对象（Raw、Epochs、Evoked等）都有就地修改数据的方法（可选或强制）。这在处理大型数据集时是有利的，因为它减少了执行计算所需的计算机内存量。然而，如果不加注意地使用，它可能会导致意想不到的结果。本教程提供了一些就地处理的示例，以及如何以及何时避免这种情况。

像往常一样，我们将首先导入我们需要的模块并加载一些示例数据：

import os
import mne

sample_data_folder = mne.datasets.sample.data_path()
sample_data_raw_file = os.path.join(sample_data_folder, 'MEG', 'sample',
                                    'sample_audvis_raw.fif')
# the preload flag loads the data into memory now
raw = mne.io.read_raw_fif(sample_data_raw_file, preload=True)

raw.crop(tmax=10.)  # raw.crop() always happens in-place

• raw.crop()的才做就会直接覆盖原值
• crop()大概功能就是Limit the data from the raw file to go between specific times.

Signal Processing

大多数MNE Python数据对象都有内置的过滤方法，包括高、低和带通过滤器（函数为filter()）、带阻过滤器（函数为notch_filter()）、希尔伯特变换（函数为apply_Hilbert()），甚至还有任意或用户定义的函数（函数为apply_function()）。这些通常都会就地修改数据，因此如果我们想保留未经处理的数据进行比较，我们必须首先复制它。例如：

original_raw = raw.copy()
raw.apply_hilbert()
print(f'original data type was {original_raw.get_data().dtype}, after '
      f'apply_hilbert the data type changed to {raw.get_data().dtype}.')

Channel Picking

另一组就地修改数据的方法是通道选取方法。例如：

print(f'original data had {original_raw.info["nchan"]} channels.')
original_raw.pick('eeg')  # selects only the EEG channels
print(f'after picking, it has {original_raw.info["nchan"]} channels.')

上述代码的输出为：

original data had 376 channels.
Removing projector <Projection | PCA-v1, active : False, n_channels : 102>
Removing projector <Projection | PCA-v2, active : False, n_channels : 102>
Removing projector <Projection | PCA-v3, active : False, n_channels : 102>
after picking, it has 60 channels.

• 还要注意的是，当只选择EEG通道时，只影响magnetometers的projector被丢弃，因为不再有任何magnetometers通道。

非强制性覆盖，为可选参数

上面我们看到了一个使用复制方法来方便比较处理前后数据的示例。在使用某些MNE Python函数时不需要这样做，因为它们有一个函数参数，您可以在其中指定copy=True（返回数据的修改副本）或copy=False（就地操作）。例如，mne.set_eeg_reference就是这样一个函数。

rereferenced_raw, ref_data = mne.set_eeg_reference(original_raw, ['EEG 003'],
                                                   copy=True)
fig_orig = original_raw.plot()
fig_reref = rereferenced_raw.plot()

• 请注意，这里我们在重新引用完成后绘制original_raw，但original_raw不受影响，因为我们指定了copy=True。