cycling stats

Cycling-Stats: calcula estadísticas avanzadas de ciclismo a partir de datos de potencia y/o frecuencia cardíaca.

Calcule estadísticas como el tiempo pasado en zonas individualizadas de frecuencia cardíaca y potencia, potencia normalizada, factor de intensidad, puntuación de estrés de entrenamiento, índice de variabilidad, factor de eficiencia, carga de entrenamiento crónica, carga de entrenamiento aguda y equilibrio de estrés de entrenamiento, a partir de medidores de frecuencia cardíaca y potencia.

Instalación

El paquete está disponible en pypi:

 pip install cycling-stats

Uso

Puede utilizar el paquete de la siguiente manera. Un ejemplo simple: puedes importar la función training_stress_score de la siguiente manera.

 from cyclingstats . stats import training_stress_score

El paquete requiere que tenga sus datos en pandas.DataFrame . El siguiente ejemplo ilustra cuando tienes una serie de tiempo de múltiples sesiones de entrenamiento separadas y deseas calcular las estadísticas por separado para cada día de ciclismo.

 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 ]

Si tiene problemas, no dude en ponerse en contacto con el autor ([email protected]).

Licencia

Este código es © E. van Weenen, 2022 y está disponible bajo la licencia MIT adjunta con el software.

Más allá de las restricciones legales impuestas por esta licencia, si utiliza este software para una publicación académica, está obligado a proporcionar la atribución adecuada.

 E. van Weenen. cycling-stats: Calculate advanced cycling statistics from power and/or heart rate data, v0.1 (2022). github.com/evavanweenen/cycling-stats.