cycling stats
v0.1.0
Calculez des statistiques telles que le temps passé dans des zones de fréquence cardiaque et de puissance individualisées, la puissance normalisée, le facteur d'intensité, le score de stress d'entraînement, l'indice de variabilité, le facteur d'efficacité, la charge d'entraînement chronique, la charge d'entraînement aiguë et l'équilibre du stress d'entraînement, à partir des compteurs de fréquence cardiaque et de puissance.
Le package est disponible sous pypi :
pip install cycling-stats
Vous pouvez utiliser le package comme suit. Un exemple simple : vous pouvez importer la fonction training_stress_score comme suit.
from cyclingstats . stats import training_stress_score Le package nécessite que vous ayez vos données dans un pandas.DataFrame . L'exemple suivant illustre le cas où vous disposez d'une série chronologique de plusieurs séances d'entraînement distinctes et que vous souhaitez calculer les statistiques séparément pour chaque journée de cyclisme.
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 vous rencontrez des problèmes, n'hésitez pas à contacter l'auteur ([email protected]).
Ce code est © E. van Weenen, 2022, et il est mis à disposition sous la licence MIT fournie avec le logiciel.
Au-delà des restrictions légales imposées par cette licence, si vous utilisez ce logiciel pour une publication académique, vous êtes alors obligé de fournir une attribution appropriée.
E. van Weenen. cycling-stats: Calculate advanced cycling statistics from power and/or heart rate data, v0.1 (2022). github.com/evavanweenen/cycling-stats.
