cycling stats

Cycling-stats — Рассчитайте расширенную статистику езды на велосипеде на основе данных о мощности и/или частоте пульса.

Рассчитайте статистические данные, такие как время, проведенное в индивидуальных зонах частоты пульса и мощности, нормализованную мощность, коэффициент интенсивности, оценку тренировочного стресса, индекс вариабельности, коэффициент эффективности, хроническую тренировочную нагрузку, острую тренировочную нагрузку и баланс тренировочного стресса, на основе измерителей частоты пульса и мощности.

Установка

Пакет доступен под pypi:

 pip install cycling-stats

Использование

Вы можете использовать пакет следующим образом. Простой пример: вы можете импортировать функцию training_stress_score следующим образом.

 from cyclingstats . stats import training_stress_score

Пакет требует, чтобы ваши данные находились в pandas.DataFrame . Следующий пример иллюстрирует ситуацию, когда у вас есть временной ряд из нескольких отдельных тренировок и вы хотите рассчитать статистику отдельно для каждого дня езды на велосипеде.

 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 ]

Если у вас возникли проблемы, свяжитесь с автором ([email protected]).

Лицензия

Этот код © E. van Weenen, 2022. Он доступен по лицензии MIT, прилагаемой к программному обеспечению.

Помимо юридических ограничений, налагаемых настоящей лицензией, если вы используете это программное обеспечение для академической публикации, вы обязаны указать соответствующую ссылку.

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