Replace monthly GMI bar chart with daily scatter + rolling avg + linear trend/CI

Adds daily_gmi() and gmi_trend(): per-day GMI as scatter points, a 7-day
rolling average line, and a linear regression trend line with a 95%
confidence band (normal approximation, no scipy dependency, consistent
with the existing preference for a lean container image).

Recomputed from the already-fetched period data on each page load; the
existing 1-hour Streamlit cache on load_range_data() already avoids
repeated Nightscout calls for the same period, so no separate storage
layer is needed at the current max. 90-day report window.

Closes gitea #19.

reporting.py

@@ -11,6 +11,7 @@ from __future__ import annotations
 
 from itertools import pairwise
 
+import numpy as np
 import pandas as pd
 
 from nightscout_client import INSULIN_EVENT_TYPES
@@ -35,6 +36,68 @@ def gmi_percent(mean_mmol: float) -> float:
     return round(3.31 + 0.4311 * mean_mmol, 1)
 
 
+GMI_TREND_COLUMNS = ["date", "gmi", "rolling_avg", "trend", "trend_lower", "trend_upper"]
+
+
+def daily_gmi(glucose: pd.DataFrame) -> pd.DataFrame:
+    """Geschat HbA1c (GMI) per kalenderdag — scatterpunten voor de trendgrafiek (gitea #19)."""
+    if glucose.empty:
+        return pd.DataFrame(columns=["date", "gmi"])
+
+    df = glucose.copy()
+    df["date"] = df["timestamp"].dt.date
+    daily_mean = df.groupby("date")["mmol"].mean()
+    result = daily_mean.apply(gmi_percent).reset_index()
+    result.columns = ["date", "gmi"]
+    return result.sort_values("date").reset_index(drop=True)
+
+
+def gmi_trend(glucose: pd.DataFrame, rolling_window_days: int = 7) -> pd.DataFrame:
+    """Dagelijkse GMI-punten plus voortschrijdend gemiddelde en een lineaire
+    trendlijn met 95%-betrouwbaarheidsband (gitea #19).
+
+    Gebruikt een normaalbenadering (z=1.96) voor de betrouwbaarheidsband i.p.v.
+    een exacte t-verdeling — dat zou een scipy-dependency toevoegen aan een
+    verder bewust lichte container (dezelfde afweging als het niet gebruiken
+    van kaleido in pdf_export.py). Bij de hier gebruikelijke steekproefgroottes
+    (14-90 dagpunten) is het verschil met de exacte t-kritieke waarde
+    verwaarloosbaar voor een visuele trendindicatie.
+
+    Elke keer opnieuw berekend uit de al-opgehaalde periode-data (geen aparte
+    database) — de bestaande 1-uurs Streamlit-cache op load_range_data()
+    voorkomt al herhaalde Nightscout-calls voor dezelfde periode. Bij een
+    veel langere trend (jaren i.p.v. de huidige max. 90 dagen) zou een aparte
+    opslag wél de moeite waard worden.
+    """
+    daily = daily_gmi(glucose)
+    if len(daily) < 2:
+        return daily.reindex(columns=GMI_TREND_COLUMNS)
+
+    daily = daily.copy()
+    daily["rolling_avg"] = daily["gmi"].rolling(window=rolling_window_days, min_periods=1).mean()
+
+    x = np.arange(len(daily), dtype=float)
+    y = daily["gmi"].to_numpy()
+    slope, intercept = np.polyfit(x, y, 1)
+    fitted = intercept + slope * x
+
+    residuals = y - fitted
+    degrees_of_freedom = max(len(x) - 2, 1)
+    residual_std = np.sqrt(np.sum(residuals**2) / degrees_of_freedom)
+    x_mean = x.mean()
+    sum_sq_x = np.sum((x - x_mean) ** 2)
+    standard_error = (
+        np.zeros_like(x)
+        if sum_sq_x == 0
+        else residual_std * np.sqrt(1 / len(x) + (x - x_mean) ** 2 / sum_sq_x)
+    )
+    z_95 = 1.96
+    daily["trend"] = fitted
+    daily["trend_lower"] = fitted - z_95 * standard_error
+    daily["trend_upper"] = fitted + z_95 * standard_error
+    return daily[GMI_TREND_COLUMNS]
+
+
 def percent_cv(glucose: pd.DataFrame) -> float:
     """Glucosevariabiliteit als %CV (standaarddeviatie / gemiddelde * 100)."""
     if glucose.empty: