edit corelation.py and add hr_data_cleaned.csv

code/corelation.py

@@ -9,6 +9,18 @@ month_translation = {
     'Jul': 'Jul', 'Aug': 'Aug', 'Sep': 'Sep', 'Okt': 'Oct', 'Nov': 'Nov', 'Dez': 'Dec'
 }
 
+# Funktion zur Umwandlung von '6h 11min' in numerische Stundenwerte
+def convert_sleep_duration(sleep_duration_str):
+    print(sleep_duration_str)
+    hours = 0
+    minutes = 0
+    if 'h' in sleep_duration_str:
+        hours_part = sleep_duration_str.split('h')[0].strip()
+        hours = int(hours_part)
+    if 'min' in sleep_duration_str:
+        minutes_part = sleep_duration_str.split('h')[-1].replace('min', '').strip()
+        minutes = int(minutes_part)
+    return hours + (minutes / 60)
 
 # Funktion, um Datumsbereiche wie 'Mrz 29-Apr 4', 'Dez 22-28 2023' oder 'Dez 28' in Kalenderwoche und Jahr zu konvertieren
 def convert_to_week_and_year(date_range_str):
@@ -85,10 +97,13 @@ def convert_to_week_and_year(date_range_str):
 
 # Datei Pfade
 hr_data_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/hr_gramic.csv'
-sleep_data_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/sleep_gramic.csv'
+sleep_data_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/sandbox/sleep_gramic.csv'
 hr_clean_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/sandbox/hr_data_clean.csv'
 sleep_clean_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/sandbox/sleep_data_clean.csv'
 combined_data_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/sandbox/combined_data.csv'
+graphic_corr_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/final/gramic_sleep_hr_correlation.png'
+graphic_weekly_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/final/weekly_hr_sleep.png'
+
 
 # Schritt 1: Lade die HR-Daten (mit Semikolon separiert) und entferne 'bpm'
 hr_data = pd.read_csv(hr_data_path, sep=';')
@@ -108,11 +123,15 @@ hr_data_clean = hr_data[['Woche', 'avg_hr']]
 hr_data_clean.to_csv(hr_clean_path, index=False)
 
 # Schritt 2: Lade die Schlafdaten (mit Komma separiert)
-sleep_data = pd.read_csv(sleep_data_path, sep=',')
+sleep_data = pd.read_csv(sleep_data_path, sep=';')
 
 # Konvertiere die Spalte 'Datum' in Kalenderwoche (KW und Jahr)
 sleep_data['Woche'] = sleep_data['Datum'].apply(convert_to_week_and_year)
 
+# Konvertiere die Spalte 'Durchschnittliche Dauer' in numerische Stunden
+sleep_data['Durchschnittliche Dauer'] = sleep_data['Durchschnittliche Dauer'].apply(convert_sleep_duration)
+
+
 # Speichere nur die Spalten 'Woche' und 'Durchschnittliche Dauer' in einer neuen CSV-Datei
 sleep_data_clean = sleep_data[['Woche', 'Durchschnittliche Dauer']]
 sleep_data_clean.to_csv(sleep_clean_path, index=False)
@@ -141,4 +160,28 @@ plt.plot(combined_data['avg_hr'], m * combined_data['avg_hr'] + b, color='red',
          label=f'Trendlinie (Kor = {correlation:.2f})')
 
 plt.legend()
+# Speichern der Grafik
+plt.savefig(graphic_corr_path)
+plt.show()
+
+# Schritt 6: Erstelle eine Grafik pro Kalenderwoche (Herzfrequenz und Schlafdaten)
+plt.figure(figsize=(12, 6))
+
+# Plot für die Herzfrequenz
+plt.bar(combined_data['Woche'], combined_data['avg_hr'], width=0.4, label='Durchschnittliche Herzfrequenz', align='center')
+
+# Plot für die Schlafdauer (mit Verschiebung, um Überlappung zu vermeiden)
+plt.bar(combined_data['Woche'], combined_data['Durchschnittliche Dauer'], width=0.4, label='Schlafdauer', align='edge')
+
+# Diagrammtitel und Achsenbeschriftungen
+plt.title('Durchschnittliche Herzfrequenz und Schlafdauer pro Kalenderwoche')
+plt.xlabel('Kalenderwoche')
+plt.ylabel('Wert')
+
+# Legende und Rotation der x-Achse
+plt.legend()
+plt.xticks(rotation=45, ha='right')
+
+# Speichern der zweiten Grafik
+plt.savefig(graphic_weekly_path)
 plt.show()

code/corelation_old5.py

@@ -0,0 +1,144 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+import numpy as np
+from datetime import datetime
+
+# Manuelle Zuordnung der Monatsnamen von Deutsch auf Englisch
+month_translation = {
+    'Jan': 'Jan', 'Feb': 'Feb', 'Mär': 'Mar', 'Mrz': 'Mar', 'Apr': 'Apr', 'Mai': 'May', 'Jun': 'Jun',
+    'Jul': 'Jul', 'Aug': 'Aug', 'Sep': 'Sep', 'Okt': 'Oct', 'Nov': 'Nov', 'Dez': 'Dec'
+}
+
+
+# Funktion, um Datumsbereiche wie 'Mrz 29-Apr 4', 'Dez 22-28 2023' oder 'Dez 28' in Kalenderwoche und Jahr zu konvertieren
+def convert_to_week_and_year(date_range_str):
+    # Entferne zusätzliche Leerzeichen um den Bindestrich herum und entferne Kommas
+    date_range_str = date_range_str.replace(" - ", "-").replace(",", "")
+
+    # Prüfen, ob das Format nur einen Tag und Monat enthält (z.B. 'Dez 28')
+    if "-" not in date_range_str and len(date_range_str.split(" ")) == 2:
+        # Nur ein Datum (Monat und Tag)
+        month_str, day_str = date_range_str.split(" ")
+        day = int(day_str.strip())
+        year_str = str(datetime.now().year)  # Verwende das aktuelle Jahr
+
+        # Konvertiere den deutschen Monatsnamen in den englischen
+        if month_str in month_translation:
+            month_str = month_translation[month_str]
+
+        # Konvertiere das Datum
+        start_date = datetime.strptime(f"{month_str} {day} {year_str}", "%b %d %Y")
+
+        # Berechne die Kalenderwoche und das Jahr
+        week_number = start_date.isocalendar()[1]
+        year = start_date.year
+
+        return f"W{week_number}-{year}"
+
+    # Prüfen, ob das Jahr am Ende steht (z.B. 'Dez 22-28 2023')
+    if date_range_str[-4:].isdigit():
+        # Jahr am Ende des Datums
+        year_str = date_range_str[-4:]
+        date_range_str = date_range_str[:-5]  # Entferne das Jahr aus der Datumsangabe
+    else:
+        # Kein Jahr am Ende -> nutze das aktuelle Jahr
+        year_str = str(datetime.now().year)
+
+    # Splitte den Datumsbereich in Start- und Endteil
+    start_part, end_part = date_range_str.split("-")
+
+    # Verarbeite den Startteil
+    start_parts = start_part.split(" ")
+    start_month_str = start_parts[0]
+    start_day = int(start_parts[1].strip())  # Nimm den Starttag und entferne etwaige Leerzeichen
+
+    # Verarbeite den Endteil
+    end_parts = end_part.split(" ")
+
+    # Verarbeite das Enddatum, basierend darauf, ob der Endteil das Jahr enthält
+    if len(end_parts) == 2:  # Fall: 'Apr 4'
+        end_month_str = end_parts[0]
+        end_day = int(end_parts[1].strip())
+    else:
+        # Fall: kein Monat -> nur Tag (z.B. '28' im Format 'Dez 22-28 2023')
+        end_month_str = start_month_str
+        end_day = int(end_parts[0].strip())
+
+    # Konvertiere den deutschen Monatsnamen in den englischen für beide Monate
+    if start_month_str in month_translation:
+        start_month_str = month_translation[start_month_str]
+    if end_month_str in month_translation:
+        end_month_str = month_translation[end_month_str]
+
+    try:
+        # Konvertiere das Startdatum in ein Datum
+        start_date = datetime.strptime(f"{start_month_str} {start_day} {year_str}", "%b %d %Y")
+    except ValueError:
+        raise ValueError(f"Ungültiges Startdatum: {start_month_str} {start_day} {year_str}")
+
+    # Berechne die Kalenderwoche und das Jahr basierend auf dem Startdatum
+    week_number = start_date.isocalendar()[1]
+    year = start_date.year
+
+    return f"W{week_number}-{year}"  # Gib Kalenderwoche und Jahr im Format W-YYYY zurück
+
+
+# Datei Pfade
+hr_data_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/hr_gramic.csv'
+sleep_data_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/sleep_gramic.csv'
+hr_clean_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/sandbox/hr_data_clean.csv'
+sleep_clean_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/sandbox/sleep_data_clean.csv'
+combined_data_path = '/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/sandbox/combined_data.csv'
+
+# Schritt 1: Lade die HR-Daten (mit Semikolon separiert) und entferne 'bpm'
+hr_data = pd.read_csv(hr_data_path, sep=';')
+
+# Entferne 'bpm' und konvertiere die Werte in numerische Daten
+hr_data['In Ruhe'] = hr_data['In Ruhe'].str.replace(' bpm', '').astype(float)
+hr_data['Hoch'] = hr_data['Hoch'].str.replace(' bpm', '').astype(float)
+
+# Konvertiere die Spalte 'Datum' in Kalenderwoche (KW und Jahr)
+hr_data['Woche'] = hr_data['Datum'].apply(convert_to_week_and_year)
+
+# Berechne den Durchschnitt der Herzfrequenzdaten (In Ruhe und Hoch)
+hr_data['avg_hr'] = hr_data[['In Ruhe', 'Hoch']].mean(axis=1)
+
+# Speichere nur die Spalten 'Woche' und 'avg_hr' in einer neuen CSV-Datei
+hr_data_clean = hr_data[['Woche', 'avg_hr']]
+hr_data_clean.to_csv(hr_clean_path, index=False)
+
+# Schritt 2: Lade die Schlafdaten (mit Komma separiert)
+sleep_data = pd.read_csv(sleep_data_path, sep=',')
+
+# Konvertiere die Spalte 'Datum' in Kalenderwoche (KW und Jahr)
+sleep_data['Woche'] = sleep_data['Datum'].apply(convert_to_week_and_year)
+
+# Speichere nur die Spalten 'Woche' und 'Durchschnittliche Dauer' in einer neuen CSV-Datei
+sleep_data_clean = sleep_data[['Woche', 'Durchschnittliche Dauer']]
+sleep_data_clean.to_csv(sleep_clean_path, index=False)
+
+# Schritt 3: Kombiniere die HR- und Schlafdaten basierend auf der 'Woche'
+combined_data = pd.merge(hr_data_clean, sleep_data_clean, on='Woche', how='inner')
+
+# Speichere das kombinierte Dataset in einer neuen CSV-Datei
+combined_data.to_csv(combined_data_path, index=False)
+
+# Schritt 4: Berechne die Korrelation zwischen avg_hr und der Schlafdauer
+correlation = combined_data['avg_hr'].corr(combined_data['Durchschnittliche Dauer'])
+print(f"Die Korrelation zwischen der durchschnittlichen Herzfrequenz und der Schlafdauer ist: {correlation}")
+
+# Schritt 5: Visualisiere den Zusammenhang zwischen Herzfrequenz und Schlafdauer
+plt.figure(figsize=(10, 6))
+plt.scatter(combined_data['avg_hr'], combined_data['Durchschnittliche Dauer'], color='blue', label='Datenpunkte')
+plt.title('Zusammenhang zwischen Herzfrequenz (Durchschnitt) und Schlafdauer')
+plt.xlabel('Durchschnittliche Herzfrequenz (bpm)')
+plt.ylabel('Schlafdauer (Stunden)')
+plt.grid(True)
+
+# Linie zur Visualisierung des Trends hinzufügen
+m, b = np.polyfit(combined_data['avg_hr'], combined_data['Durchschnittliche Dauer'], 1)
+plt.plot(combined_data['avg_hr'], m * combined_data['avg_hr'] + b, color='red',
+         label=f'Trendlinie (Kor = {correlation:.2f})')
+
+plt.legend()
+plt.show()

data/sandbox/combined_data.csv

@@ -1,42 +1,52 @@
 Woche,avg_hr,Durchschnittliche Dauer
-W40-2024,98.5,6h 34min
-W39-2024,105.0,6h 23min
-W38-2024,107.5,6h 41min
-W37-2024,105.0,6h 18min
-W36-2024,97.0,6h 19min
-W35-2024,102.5,7h 1min
-W34-2024,108.5,6h 17min
-W33-2024,103.0,6h 36min
-W32-2024,105.0,5h 45min
-W31-2024,103.5,7h 4min
-W30-2024,107.0,6h 52min
-W29-2024,102.5,6h 26min
-W28-2024,108.5,7h 10min
-W27-2024,106.5,7h 35min
-W26-2024,111.5,6h 8min
-W25-2024,102.5,6h 30min
-W24-2024,107.5,6h 1min
-W23-2024,101.5,6h 22min
-W22-2024,104.5,6h 33min
-W21-2024,107.0,6h 47min
-W20-2024,103.5,5h 51min
-W19-2024,109.0,6h 21min
-W18-2024,107.5,5h 36min
-W17-2024,110.0,6h 2min
-W16-2024,98.0,6h 28min
-W15-2024,99.0,6h 17min
-W14-2024,97.5,6h 18min
-W13-2024,101.0,6h 50min
-W12-2024,100.0,6h 9min
-W11-2024,101.5,6h 11min
-W10-2024,99.0,6h 22min
-W9-2024,102.0,6h 4min
-W8-2024,106.0,7h 11min
-W7-2024,101.5,6h 58min
-W6-2024,104.0,8h 17min
-W5-2024,99.5,6h 12min
-W4-2024,100.5,7h 21min
-W3-2024,99.0,6h 25min
-W2-2024,97.0,6h 27min
-W1-2024,97.5,6h 44min
-W52-2024,93.5,54
+W40-2024,98.5,6.566666666666666
+W39-2024,105.0,6.383333333333334
+W38-2024,107.5,6.683333333333334
+W37-2024,105.0,6.3
+W36-2024,97.0,6.316666666666666
+W35-2024,102.5,7.016666666666667
+W34-2024,108.5,6.283333333333333
+W33-2024,103.0,6.6
+W32-2024,105.0,5.75
+W31-2024,103.5,7.066666666666666
+W30-2024,107.0,6.866666666666667
+W29-2024,102.5,6.433333333333334
+W28-2024,108.5,7.166666666666667
+W27-2024,106.5,7.583333333333333
+W26-2024,111.5,6.133333333333334
+W25-2024,102.5,6.5
+W24-2024,107.5,6.016666666666667
+W23-2024,101.5,6.366666666666666
+W22-2024,104.5,6.55
+W21-2024,107.0,6.783333333333333
+W20-2024,103.5,5.85
+W19-2024,109.0,6.35
+W18-2024,107.5,5.6
+W17-2024,110.0,6.033333333333333
+W16-2024,98.0,6.466666666666667
+W15-2024,99.0,6.283333333333333
+W14-2024,97.5,6.3
+W13-2024,101.0,6.833333333333333
+W12-2024,100.0,6.15
+W11-2024,101.5,6.183333333333334
+W10-2024,99.0,6.366666666666666
+W9-2024,102.0,6.066666666666666
+W8-2024,106.0,7.183333333333334
+W7-2024,101.5,6.966666666666667
+W6-2024,104.0,8.283333333333333
+W5-2024,99.5,6.2
+W4-2024,100.5,7.35
+W3-2024,99.0,6.416666666666667
+W2-2024,97.0,6.45
+W1-2024,97.5,6.733333333333333
+W52-2024,93.5,7.033333333333333
+W51-2023,88.0,7.266666666666667
+W50-2023,95.0,7.283333333333333
+W49-2023,99.0,7.883333333333333
+W48-2023,101.5,6.85
+W47-2023,103.5,7.183333333333334
+W46-2023,105.5,7.116666666666666
+W45-2023,104.0,7.083333333333333
+W44-2023,101.5,6.033333333333333
+W43-2023,95.0,6.65
+W42-2023,96.5,6.283333333333333

data/sandbox/sleep_data_clean.csv

@@ -1,53 +1,53 @@
 Woche,Durchschnittliche Dauer
-W41-2024,6h 11min
-W40-2024,6h 34min
-W39-2024,6h 23min
-W38-2024,6h 41min
-W37-2024,6h 18min
-W36-2024,6h 19min
-W35-2024,7h 1min
-W34-2024,6h 17min
-W33-2024,6h 36min
-W32-2024,5h 45min
-W31-2024,7h 4min
-W30-2024,6h 52min
-W29-2024,6h 26min
-W28-2024,7h 10min
-W27-2024,7h 35min
-W26-2024,6h 8min
-W25-2024,6h 30min
-W24-2024,6h 1min
-W23-2024,6h 22min
-W22-2024,6h 33min
-W21-2024,6h 47min
-W20-2024,5h 51min
-W19-2024,6h 21min
-W18-2024,5h 36min
-W17-2024,6h 2min
-W16-2024,6h 28min
-W15-2024,6h 17min
-W14-2024,6h 18min
-W13-2024,6h 50min
-W12-2024,6h 9min
-W11-2024,6h 11min
-W10-2024,6h 22min
-W9-2024,6h 4min
-W8-2024,7h 11min
-W7-2024,6h 58min
-W6-2024,8h 17min
-W5-2024,6h 12min
-W4-2024,7h 21min
-W3-2024,6h 25min
-W2-2024,6h 27min
-W1-2024,6h 44min
-W52-2024,54
-W51-2024,Schlecht
-W50-2024,Schlecht
-W49-2024,Schlecht
-W48-2024,Schlecht
-W47-2024,Schlecht
-W46-2024,Schlecht
-W45-2024,Schlecht
-W44-2024,Schlecht
-W43-2024,Schlecht
-W42-2024,Schlecht
+W41-2024,6.183333333333334
+W40-2024,6.566666666666666
+W39-2024,6.383333333333334
+W38-2024,6.683333333333334
+W37-2024,6.3
+W36-2024,6.316666666666666
+W35-2024,7.016666666666667
+W34-2024,6.283333333333333
+W33-2024,6.6
+W32-2024,5.75
+W31-2024,7.066666666666666
+W30-2024,6.866666666666667
+W29-2024,6.433333333333334
+W28-2024,7.166666666666667
+W27-2024,7.583333333333333
+W26-2024,6.133333333333334
+W25-2024,6.5
+W24-2024,6.016666666666667
+W23-2024,6.366666666666666
+W22-2024,6.55
+W21-2024,6.783333333333333
+W20-2024,5.85
+W19-2024,6.35
+W18-2024,5.6
+W17-2024,6.033333333333333
+W16-2024,6.466666666666667
+W15-2024,6.283333333333333
+W14-2024,6.3
+W13-2024,6.833333333333333
+W12-2024,6.15
+W11-2024,6.183333333333334
+W10-2024,6.366666666666666
+W9-2024,6.066666666666666
+W8-2024,7.183333333333334
+W7-2024,6.966666666666667
+W6-2024,8.283333333333333
+W5-2024,6.2
+W4-2024,7.35
+W3-2024,6.416666666666667
+W2-2024,6.45
+W1-2024,6.733333333333333
+W52-2024,7.033333333333333
+W51-2023,7.266666666666667
+W50-2023,7.283333333333333
+W49-2023,7.883333333333333
+W48-2023,6.85
+W47-2023,7.183333333333334
+W46-2023,7.116666666666666
+W45-2023,7.083333333333333
+W44-2023,6.033333333333333
+W43-2023,6.65
+W42-2023,6.283333333333333

data/sandbox/sleep_gramic.csv

@@ -0,0 +1,53 @@
+Datum;Ø Score;Ø Qualität;Durchschnittliche Dauer;Ø Schlafenszeit;Ø Aufstehzeit
+Okt 10-16;46;Schlecht;6h 11min;1:28;7:50
+Okt 3-9;56;Schlecht;6h 34min;0:33;7:22
+Sep 26 - Okt 2;52;Schlecht;6h 23min;0:00;6:37
+Sep 19-25;59;Schlecht;6h 41min;0:27;7:16
+Sep 12-18;59;Schlecht;6h 18min;0:48;7:12
+Sep 5-11;55;Schlecht;6h 19min;0:56;7:22
+Aug 29 - Sep 4;66;Ausreichend;7h 1min;0:21;7:31
+Aug 22-28;57;Schlecht;6h 17min;0:35;6:59
+Aug 15-21;72;Ausreichend;6h 36min;0:38;7:25
+Aug 8-14;56;Schlecht;5h 45min;0:16;6:06
+Aug 1-7;64;Ausreichend;7h 4min;0:39;8:10
+Jul 25-31;61;Ausreichend;6h 52min;0:40;7:56
+Jul 18-24;54;Schlecht;6h 26min;2:16;9:19
+Jul 11-17;74;Ausreichend;7h 10min;0:06;7:26
+Jul 4-10;58;Schlecht;7h 35min;0:45;9:05
+Jun 27 - Jul 3;60;Ausreichend;6h 8min;1:22;7:42
+Jun 20-26;69;Ausreichend;6h 30min;0:19;6:58
+Jun 13-19;59;Schlecht;6h 1min;0:25;6:33
+Jun 6-12;60;Ausreichend;6h 22min;0:02;6:30
+Mai 30 - Jun 5;60;Ausreichend;6h 33min;0:34;7:15
+Mai 23-29;51;Schlecht;6h 47min;0:56;7:54
+Mai 16-22;50;Schlecht;5h 51min;1:13;7:08
+Mai 9-15;55;Schlecht;6h 21min;0:58;7:23
+Mai 2-8;40;Schlecht;5h 36min;0:39;6:19
+Apr 25 - Mai 1;55;Schlecht;6h 2min;1:18;7:26
+Apr 18-24;56;Schlecht;6h 28min;3:11;9:55
+Apr 11-17;56;Schlecht;6h 17min;1:23;7:51
+Apr 4-10;62;Ausreichend;6h 18min;0:39;7:10
+Mrz 28 - Apr 3;68;Ausreichend;6h 50min;1:45;8:51
+Mrz 21-27;60;Ausreichend;6h 9min;0:56;7:13
+Mrz 14-20;54;Schlecht;6h 11min;1:03;7:24
+Mrz 7-13;54;Schlecht;6h 22min;0:49;7:17
+Feb 29 - Mrz 6;50;Schlecht;6h 4min;0:56;7:09
+Feb 22-28;61;Ausreichend;7h 11min;0:08;7:25
+Feb 15-21;44;Schlecht;6h 58min;0:19;7:51
+Feb 8-14;50;Schlecht;8h 17min;0:09;8:47
+Feb 1-7;43;Schlecht;6h 12min;1:06;7:25
+Jan 25-31;57;Schlecht;7h 21min;1:17;8:40
+Jan 18-24;51;Schlecht;6h 25min;0:56;7:26
+Jan 11-17;50;Schlecht;6h 27min;1:36;8:12
+Jan 4-10;59;Schlecht;6h 44min;1:26;8:24
+Dez 28, 2023 - Jan 3, 2024;54;Schlecht;7h 2min
+Dez 21-27, 2023;55;Schlecht;7h 16min;0:38
+Dez 14-20, 2023;56;Schlecht;7h 17min;0:31
+Dez 7-13, 2023;44;Schlecht;7h 53min;23:46
+Nov 30 - Dez 6, 2023;48;Schlecht;6h 51min;0:33
+Nov 23-29, 2023;48;Schlecht;7h 11min;0:21
+Nov 16-22, 2023;53;Schlecht;7h 7min;0:23
+Nov 9-15, 2023;47;Schlecht;7h 5min;0:19
+Nov 2-8, 2023;50;Schlecht;6h 2min;0:00
+Okt 26 - Nov 1, 2023;59;Schlecht;6h 39min;0:14
+Okt 19-25, 2023;48;Schlecht;6h 17min;0:46