added getting data from nightscout

data_processing.py

@@ -3,50 +3,60 @@ Data processing logic voor het glucose-dashboard.
 
 Bewust gescheiden van app.py: Streamlit-UI-code kun je niet zomaar los
 unit-testen (die heeft een draaiende Streamlit-context nodig). Door de
-logica (inladen, aggregeren) in een los module te zetten, kun je die
+logica (classificeren, samenvatten) in een los module te zetten, kun je die
 logica wel gewoon met pytest testen, en blijft app.py alleen de UI-laag.
 """
 
-from pathlib import Path
+from __future__ import annotations
 
 import pandas as pd
 
-DATA_PATH = Path(__file__).parent / "data" / "glucose_readings.csv"
+from nightscout_client import SENSOR_CHANGE_EVENT_TYPES, SITE_CHANGE_EVENT_TYPES
+
+# Streefbereik in mmol/L — pas aan naar je eigen behandeldoelen.
+TARGET_LOW = 3.9
+TARGET_HIGH = 10.0
 
 
-def load_data(path: Path = DATA_PATH) -> pd.DataFrame:
-    """Laad de ruwe metingen in.
+def classify_treatments(treatments: pd.DataFrame) -> dict[str, pd.DataFrame]:
+    """Splits ruwe Nightscout-treatments op in aparte, tijd-gesorteerde subsets.
 
-    Verwacht kolommen: 'timestamp' (parsebaar als datetime) en
-    'glucose_value' (numeriek). Vervang deze functie later door je
-    eigen databron (database, CGM-export, API-call, etc.) — de rest
-    van de app blijft dan ongewijzigd werken.
+    Een insuline- en koolhydraat-registratie kunnen dezelfde treatment zijn
+    (bijv. een "Meal Bolus" met zowel insuline als carbs) en verschijnen dan
+    in beide subsets.
     """
-    df = pd.read_csv(path, parse_dates=["timestamp"])
-    return df
+    insulin = treatments[treatments["insulin"].fillna(0) > 0]
+    carbs = treatments[treatments["carbs"].fillna(0) > 0]
+    site_changes = treatments[treatments["eventType"].isin(SITE_CHANGE_EVENT_TYPES)]
+    sensor_changes = treatments[treatments["eventType"].isin(SENSOR_CHANGE_EVENT_TYPES)]
+    return {
+        "insulin": insulin.reset_index(drop=True),
+        "carbs": carbs.reset_index(drop=True),
+        "site_changes": site_changes.reset_index(drop=True),
+        "sensor_changes": sensor_changes.reset_index(drop=True),
+    }
 
 
-def filter_by_date(df: pd.DataFrame, selected_date) -> pd.DataFrame:
-    """Filter de dataset op een enkele kalenderdag."""
-    return df[df["timestamp"].dt.date == selected_date]
+def glucose_status(mmol: float, low: float = TARGET_LOW, high: float = TARGET_HIGH) -> str:
+    """Classificeer een glucosewaarde t.o.v. het streefbereik."""
+    if mmol < low:
+        return "low"
+    if mmol > high:
+        return "high"
+    return "in_range"
 
 
-def hourly_average(df: pd.DataFrame) -> pd.DataFrame:
-    """Groepeer per uur (0-23) en bereken de gemiddelde waarde.
+def summarize_time_in_range(
+    glucose: pd.DataFrame, low: float = TARGET_LOW, high: float = TARGET_HIGH
+) -> dict[str, float]:
+    """Bereken het percentage metingen onder/in/boven het streefbereik."""
+    if glucose.empty:
+        return {"low": 0.0, "in_range": 0.0, "high": 0.0}
 
-    Geeft een DataFrame terug met kolommen 'hour' en 'glucose_value',
-    één rij per uur waarin daadwerkelijk data zit.
-    """
-    if df.empty:
-        return pd.DataFrame(columns=["hour", "glucose_value"])
-
-    working = df.copy()
-    working["hour"] = working["timestamp"].dt.hour
-    result = (
-        working.groupby("hour")["glucose_value"]
-        .mean()
-        .round(1)
-        .reset_index()
-        .sort_values("hour")
-    )
-    return result
+    statuses = glucose["mmol"].apply(lambda v: glucose_status(v, low, high))
+    counts = statuses.value_counts(normalize=True) * 100
+    return {
+        "low": round(counts.get("low", 0.0), 1),
+        "in_range": round(counts.get("in_range", 0.0), 1),
+        "high": round(counts.get("high", 0.0), 1),
+    }