Fix bolus/basal insulin categorization: split SMB from manual corrections, add basal calc

AndroidAPS records an automatic SMB micro-bolus as eventType "Correction
Bolus" with type "SMB", not as its own eventType. bolus_stats() was
grouping by eventType alone, so every SMB was silently counted as a manual
correction bolus. Verified against production data: 100% of "Correction
Bolus" treatments over 90 days were actually type=SMB.

Also adds basal_stats(), computing delivered basal directly from Temp
Basal treatments (rate x duration) without needing the pump profile.

Closes gitea #20.

reporting.py

@@ -330,22 +330,35 @@ def day_of_week_pattern(glucose: pd.DataFrame) -> pd.DataFrame:
     return pd.DataFrame(rows, columns=columns)
 
 
+SMB_TYPE = "SMB"
+BASAL_EVENT_TYPE = "Temp Basal"
+
+
 def bolus_stats(treatments: pd.DataFrame) -> dict:
     """Samenvatting van bolus-insuline, opgesplitst naar type.
 
-    Let op: dit betreft alleen bolusinsuline (maaltijd/correctie/combo/SMB).
-    Basaalinsuline wordt hier niet in meegenomen — dat vereist profielgegevens
-    (zie docs/design-reporting.md, scoping-kanttekening) en levert dus geen
-    volledige totale-dagdosis op.
+    AndroidAPS in SMB-looping registreert een automatische micro-bolus niet
+    als eigen `eventType`, maar als `eventType == "Correction Bolus"` met
+    `type == "SMB"` — zonder dit onderscheid werden alle SMB's stilzwijgend
+    als "Correction Bolus" (handmatige correctie) meegeteld, wat gitea #20
+    meldde als "bolus stats empty/onduidelijk". Geverifieerd rechtstreeks
+    tegen de productiedata: bij deze gebruiker is vrijwel elke "Correction
+    Bolus" in werkelijkheid een automatische SMB.
+
+    Let op: dit betreft alleen bolusinsuline (voeding/correctie/combo/SMB).
+    Basaalinsuline zit hier niet in — zie basal_stats().
     """
     if treatments.empty:
         return {"total_units": 0.0, "count": 0, "by_type": {}}
 
-    bolus = treatments[treatments["eventType"].isin(INSULIN_EVENT_TYPES) & treatments["insulin"].notna()]
+    bolus = treatments[treatments["eventType"].isin(INSULIN_EVENT_TYPES) & treatments["insulin"].notna()].copy()
     if bolus.empty:
         return {"total_units": 0.0, "count": 0, "by_type": {}}
 
-    by_type = bolus.groupby("eventType")["insulin"].sum().round(1).to_dict()
+    is_smb = (bolus["eventType"] == "Correction Bolus") & (bolus.get("type", "") == SMB_TYPE)
+    bolus["category"] = bolus["eventType"].where(~is_smb, SMB_TYPE)
+
+    by_type = bolus.groupby("category")["insulin"].sum().round(1).to_dict()
     return {
         "total_units": round(bolus["insulin"].sum(), 1),
         "count": len(bolus),
@@ -353,6 +366,35 @@ def bolus_stats(treatments: pd.DataFrame) -> dict:
     }
 
 
+def basal_stats(treatments: pd.DataFrame, period_days: float) -> dict:
+    """Totale basaalinsuline uit Temp Basal-treatments (rate x duur), zonder pompprofiel.
+
+    AndroidAPS zet in gesloten-lus-modus vrijwel continu Temp Basal-treatments
+    met een `absolute` snelheid (E/uur) en `duration` (minuten); de som van
+    afgeleverde eenheden daaruit benadert de daadwerkelijke basaaldosis
+    nauwkeurig genoeg zonder het pompprofiel te hoeven ophalen (gitea #20).
+    Periodes zonder actieve temp basal (dan geldt het profiel-basaaltempo)
+    worden hierin gemist — dit is dus een ondergrens, geen exacte totale-
+    dagdosis.
+    """
+    if treatments.empty or period_days <= 0:
+        return {"total_units": 0.0, "avg_units_per_day": 0.0}
+
+    temp_basal = treatments[
+        (treatments["eventType"] == BASAL_EVENT_TYPE)
+        & treatments["absolute"].notna()
+        & treatments["duration"].notna()
+    ]
+    if temp_basal.empty:
+        return {"total_units": 0.0, "avg_units_per_day": 0.0}
+
+    total_units = (temp_basal["absolute"] * temp_basal["duration"] / 60).sum()
+    return {
+        "total_units": round(total_units, 1),
+        "avg_units_per_day": round(total_units / period_days, 1),
+    }
+
+
 SITE_INTERVAL_COLUMNS = [
     "start",
     "end",