cycling stats
v0.1.0
Berechnen Sie anhand von Herzfrequenz- und Leistungsmessern Statistiken wie die in individuellen Herzfrequenz- und Leistungszonen verbrachte Zeit, normalisierte Leistung, Intensitätsfaktor, Trainingsstresswert, Variabilitätsindex, Effizienzfaktor, chronische Trainingsbelastung, akute Trainingsbelastung und Trainingsstressbalance.
Das Paket ist unter pypi verfügbar:
pip install cycling-stats
Sie können das Paket wie folgt verwenden. Ein einfaches Beispiel: Sie können die Funktion training_stress_score wie folgt importieren.
from cyclingstats . stats import training_stress_score Das Paket erfordert, dass Sie Ihre Daten in einem pandas.DataFrame haben. Das folgende Beispiel zeigt, wenn Sie über eine Zeitreihe aus mehreren separaten Trainingseinheiten verfügen und Statistiken für jeden Radtag separat berechnen möchten.
import pandas as pd
from cyclingstats . stats import calc_hr_zones , calc_power_zones , agg_zones , agg_power
from cyclingstats . stats import chronic_training_load , acute_training_load , training_stress_balance
# read time series of power and/or heart rate
df = pd . read_csv ( "PATH_TO_YOUR_HEARTRATE_AND_POWER_DATA" )
df [ 'date' ] = pd . to_datetime ( df [ 'timestamp' ]. dt . date )
# perform any other preprocessing steps here
# ---------- zones
# define LTHR and FTP to calculate custom Coggan heart rate and power zones
LTHR = # TODO: fill in a number for the lactate threshold heart rate [bpm]
FTP = # TODO: fill in a number for the functional threshold power [W]
hr_zones = calc_hr_zones ( LTHR )
power_zones = calc_power_zones ( FTP )
# calculate hr and power zones
df_zones = df . groupby ( 'date' ). apply ( agg_zones , hr_zones = hr_zones , power_zones = power_zones )
# ---------- power
df = df . set_index ( 'timestamp' )
# calculate power statistics
df_power = df . groupby ( 'date' ). apply ( agg_power , FTP = FTP )
# fill up dates for which we don't have an entry to get exponential weighted mean (ewm)
dates = df_power . index
df_power = df_power . reindex ( date_range )
# calculate ctl, atl and tsb
df_power [ 'chronic_training_load' ] = chronic_training_load ( df_power [ 'training_stress_score' ])
df_power [ 'acute_training_load' ] = acute_training_load ( df_power [ 'training_stress_score' ])
df_power [ 'training_stress_balance' ] = training_stress_balance ( df_power [ 'chronic_training_load' ], df_power [ 'acute_training_load' ])
# get back to indices for which there is a training session
df_power = df_power . loc [ dates ]Wenn Sie auf Probleme stoßen, können Sie sich gerne an den Autor wenden ([email protected]).
Dieser Code ist © E. van Weenen, 2022 und wird unter der MIT-Lizenz zur Verfügung gestellt, die der Software beiliegt.
Wenn Sie diese Software für eine wissenschaftliche Veröffentlichung verwenden, sind Sie über die gesetzlichen Beschränkungen dieser Lizenz hinaus verpflichtet, eine ordnungsgemäße Quellenangabe anzugeben.
E. van Weenen. cycling-stats: Calculate advanced cycling statistics from power and/or heart rate data, v0.1 (2022). github.com/evavanweenen/cycling-stats.
