edit corelation.py and add hr_data_cleaned.csv
TheOriginalGraLargeShrimpakaReaper
parent
104b1dc6c6
commit
0cc75b78c7
|
|
@ -2,82 +2,236 @@ import pandas as pd
|
|||
import matplotlib.pyplot as plt
|
||||
import numpy as np
|
||||
from datetime import datetime
|
||||
|
||||
import os
|
||||
|
||||
# Manuelle Zuordnung der Monatsnamen von Deutsch auf Englisch
|
||||
# month_translation = {
|
||||
# 'Jan': 'Jan', 'Feb': 'Feb', 'Mär': 'Mar', 'Apr': 'Apr', 'Mai': 'May', 'Jun': 'Jun',
|
||||
# 'Jul': 'Jul', 'Aug': 'Aug', 'Sep': 'Sep', 'Okt': 'Oct', 'Nov': 'Nov', 'Dez': 'Dec', 'Mrz': 'Mar'
|
||||
# }
|
||||
|
||||
|
||||
# Funktion, um 'Okt 10-16' in eine Kalenderwoche zu konvertieren und das Startdatum zurückzugeben
|
||||
# def convert_to_week_number_and_start_date(date_range_str):
|
||||
# # Splitte den Datumsbereich in Monat und Tage
|
||||
# start_part, end_part = date_range_str.split(" - ")
|
||||
# start_month_str, start_day = start_part.split(" ")
|
||||
# start_day = int(start_day) # Nimm den Starttag
|
||||
#
|
||||
# # Konvertiere den deutschen Monatsnamen in den englischen
|
||||
# if start_month_str in month_translation:
|
||||
# start_month_str = month_translation[start_month_str]
|
||||
#
|
||||
# # Erstelle das Datum basierend auf dem Starttag und dem aktuellen Jahr
|
||||
# current_year = datetime.now().year
|
||||
# date_str = f"{start_month_str} {start_day} {current_year}"
|
||||
#
|
||||
# try:
|
||||
# start_date = datetime.strptime(date_str, "%b %d %Y") # Konvertiere in ein Datum
|
||||
# except ValueError:
|
||||
# raise ValueError(f"Ungültiges Datum: {date_str}")
|
||||
#
|
||||
# week_number = start_date.isocalendar()[1] # Kalenderwoche ermitteln
|
||||
#
|
||||
# return week_number, start_date.strftime('%Y-%m-%d') # Gib KW und das Startdatum zurück
|
||||
# Funktion, um 'Okt 10-16' oder 'Okt 10 - 16' in eine Kalenderwoche zu konvertieren und das Startdatum zurückzugeben
|
||||
# def convert_to_week_number_and_start_date(date_range_str):
|
||||
# # Entferne zusätzliche Leerzeichen um den Bindestrich herum
|
||||
# date_range_str = date_range_str.replace(" - ", "-")
|
||||
#
|
||||
# # Splitte den Datumsbereich in Start- und Endbereich
|
||||
# start_part, end_part = date_range_str.split("-")
|
||||
# start_month_str, start_day = start_part.split(" ")
|
||||
# start_day = int(start_day.strip()) # Nimm den Starttag und entferne etwaige Leerzeichen
|
||||
#
|
||||
# # Konvertiere den deutschen Monatsnamen in den englischen
|
||||
# if start_month_str in month_translation:
|
||||
# start_month_str = month_translation[start_month_str]
|
||||
#
|
||||
# # Erstelle das Datum basierend auf dem Starttag und dem aktuellen Jahr
|
||||
# current_year = datetime.now().year
|
||||
# date_str = f"{start_month_str} {start_day} {current_year}"
|
||||
#
|
||||
# try:
|
||||
# start_date = datetime.strptime(date_str, "%b %d %Y") # Konvertiere in ein Datum
|
||||
# except ValueError:
|
||||
# raise ValueError(f"Ungültiges Datum: {date_str}")
|
||||
#
|
||||
# week_number = start_date.isocalendar()[1] # Kalenderwoche ermitteln
|
||||
#
|
||||
# return week_number, start_date.strftime('%Y-%m-%d') # Gib KW und das Startdatum zurück
|
||||
|
||||
# Funktion, um Datumsbereiche wie 'Mrz 29-Apr 4' oder 'Okt 10-16' in die Kalenderwoche zu konvertieren
|
||||
# und das Startdatum zurückzugeben
|
||||
# Funktion, um Datumsbereiche wie 'Mrz 29-Apr 4' oder 'Okt 10-16' in die Kalenderwoche zu konvertieren
|
||||
# und das Startdatum zurückzugeben
|
||||
# def convert_to_week_number_and_start_date(date_range_str):
|
||||
# # Entferne zusätzliche Leerzeichen um den Bindestrich herum
|
||||
# date_range_str = date_range_str.replace(" - ", "-")
|
||||
#
|
||||
# # Splitte den Datumsbereich in Start- und Endteil
|
||||
# start_part, end_part = date_range_str.split("-")
|
||||
#
|
||||
# # Verarbeite den Startteil
|
||||
# start_month_str, start_day = start_part.split(" ")
|
||||
# start_day = int(start_day.strip()) # Nimm den Starttag und entferne etwaige Leerzeichen
|
||||
#
|
||||
# # Wenn der Endteil einen Monat enthält, verarbeite ihn ebenfalls
|
||||
# if " " in end_part:
|
||||
# end_month_str, end_day = end_part.split(" ")
|
||||
# end_day = int(end_day.strip()) # Nimm den Endtag
|
||||
# else:
|
||||
# # Wenn der Endteil keinen Monat enthält, verwenden wir denselben Monat wie im Startteil
|
||||
# end_month_str = start_month_str
|
||||
# end_day = int(end_part.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]
|
||||
#
|
||||
# # Erstelle das Datum basierend auf dem Starttag und dem aktuellen Jahr
|
||||
# current_year = datetime.now().year
|
||||
# start_date_str = f"{start_month_str} {start_day} {current_year}"
|
||||
#
|
||||
# try:
|
||||
# # Konvertiere in ein Datum
|
||||
# start_date = datetime.strptime(start_date_str, "%b %d %Y")
|
||||
# except ValueError:
|
||||
# raise ValueError(f"Ungültiges Startdatum: {start_date_str}")
|
||||
#
|
||||
# # Berechne die Kalenderwoche basierend auf dem Startdatum
|
||||
# week_number = start_date.isocalendar()[1]
|
||||
#
|
||||
# return week_number, start_date.strftime('%Y-%m-%d') # Gib KW und das Startdatum zurück
|
||||
# Manuelle Zuordnung der Monatsnamen von Deutsch auf Englisch
|
||||
month_translation = {
|
||||
'Jan': 'Jan', 'Feb': 'Feb', 'Mär': 'Mar', 'Apr': 'Apr', 'Mai': 'May', 'Jun': 'Jun',
|
||||
'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 'Okt 10-16' in eine Kalenderwoche zu konvertieren
|
||||
def convert_to_week_number(date_range_str):
|
||||
# Splitte den Datumsbereich in Monat und Tage
|
||||
month_str, day_range = date_range_str.split(" ")
|
||||
start_day = int(day_range.split("-")[0]) # Nimm den Starttag
|
||||
|
||||
# Funktion, um Datumsbereiche wie 'Mrz 29-Apr 4' oder 'Dez 29, 2023-Jan 4, 2024' in die Kalenderwoche und das Startdatum zu konvertieren
|
||||
def convert_to_week_number_and_start_date(date_range_str):
|
||||
# Entferne zusätzliche Leerzeichen um den Bindestrich herum
|
||||
date_range_str = date_range_str.replace(" - ", "-").replace(",", "")
|
||||
|
||||
# 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(" ")
|
||||
|
||||
if len(end_parts) == 2:
|
||||
end_month_str = end_parts[0]
|
||||
end_day = int(end_parts[1].strip()) # Nimm den Endtag
|
||||
else:
|
||||
end_month_str = start_month_str # Falls kein Monat angegeben, setze den Startmonat
|
||||
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]
|
||||
|
||||
# Wenn der Startteil ein Jahr enthält, nutze dieses
|
||||
if len(start_parts) == 3:
|
||||
current_year = int(start_parts[2])
|
||||
else:
|
||||
current_year = datetime.now().year
|
||||
|
||||
# Konvertiere den deutschen Monatsnamen in den englischen
|
||||
if month_str in month_translation:
|
||||
month_str = month_translation[month_str]
|
||||
# Wenn der Datumsbereich über den Dezember hinausgeht, endet das Enddatum im nächsten Jahr
|
||||
if start_month_str == 'Dec' and end_month_str == 'Jan':
|
||||
end_year = current_year + 1
|
||||
else:
|
||||
end_year = current_year
|
||||
|
||||
# Erstelle das Datum basierend auf dem Starttag und dem aktuellen Jahr
|
||||
date_str = f"{month_str} {start_day} {current_year}"
|
||||
start_date = datetime.strptime(date_str, "%b %d %Y") # Konvertiere in ein Datum
|
||||
return start_date.isocalendar()[1] # Gib die Kalenderwoche zurück
|
||||
try:
|
||||
# Konvertiere das Startdatum in ein Datum
|
||||
start_date = datetime.strptime(f"{start_month_str} {start_day} {current_year}", "%b %d %Y")
|
||||
except ValueError:
|
||||
raise ValueError(f"Ungültiges Startdatum: {start_month_str} {start_day} {current_year}")
|
||||
|
||||
try:
|
||||
# Konvertiere das Enddatum in ein Datum
|
||||
end_date = datetime.strptime(f"{end_month_str} {end_day} {end_year}", "%b %d %Y")
|
||||
except ValueError:
|
||||
raise ValueError(f"Ungültiges Enddatum: {end_month_str} {end_day} {end_year}")
|
||||
|
||||
# Berechne die Kalenderwoche basierend auf dem Startdatum
|
||||
week_number = start_date.isocalendar()[1]
|
||||
|
||||
return week_number, start_date.strftime('%Y-%m-%d') # Gib KW und das Startdatum zurück
|
||||
|
||||
|
||||
# Schritt 1: Lade die HR-Daten (mit Semikolon separiert) und entferne 'bpm'
|
||||
hr_data = pd.read_csv('/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/hr_gramic.csv', sep=';')
|
||||
|
||||
# Zeige die ersten Zeilen der HR-Daten vor der Bereinigung
|
||||
print("HR-Daten (vor der Bereinigung):")
|
||||
print(hr_data.head())
|
||||
|
||||
# Funktion zum Bereinigen und Zwischenspeichern der Daten
|
||||
def clean_and_save_data(hr_data, sleep_data, output_dir='sandbox'):
|
||||
# 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)
|
||||
hr_data['week'] = hr_data['Datum'].apply(convert_to_week_number)
|
||||
# Konvertiere die Spalte 'Datum' in Kalenderwoche (KW) und Startdatum
|
||||
hr_data[['week', 'start_date']] = hr_data['Datum'].apply(
|
||||
lambda x: pd.Series(convert_to_week_number_and_start_date(x)))
|
||||
|
||||
# Zeige die HR-Daten nach der Umwandlung in Wochen
|
||||
print("\nHR-Daten (nach der Umwandlung in KW):")
|
||||
print(hr_data.head())
|
||||
|
||||
# Schritt 2: Berechne den Durchschnitt der Herzfrequenzdaten (In Ruhe und Hoch)
|
||||
# Berechne den Durchschnitt der Herzfrequenzdaten (In Ruhe und Hoch)
|
||||
hr_data['avg_hr'] = hr_data[['In Ruhe', 'Hoch']].mean(axis=1)
|
||||
|
||||
# Schritt 3: Lade die Schlafdaten (mit Komma separiert)
|
||||
sleep_data = pd.read_csv('/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/sleep_gramic.csv', sep=',')
|
||||
# Konvertiere auch das 'Datum' der Schlafdaten in Kalenderwoche (KW) und Startdatum
|
||||
sleep_data[['week', 'start_date']] = sleep_data['Datum'].apply(
|
||||
lambda x: pd.Series(convert_to_week_number_and_start_date(x)))
|
||||
|
||||
# Zeige die ersten Zeilen der Schlafdaten
|
||||
print("\nSchlafdaten:")
|
||||
print(sleep_data.head())
|
||||
# Speichere die bereinigten Daten in 'sandbox'
|
||||
if not os.path.exists(output_dir):
|
||||
os.makedirs(output_dir)
|
||||
|
||||
# Konvertiere auch das 'Datum' der Schlafdaten in Kalenderwoche (KW)
|
||||
sleep_data['week'] = sleep_data['Datum'].apply(convert_to_week_number)
|
||||
hr_data_clean_path = os.path.join(output_dir, 'hr_data_clean.csv')
|
||||
sleep_data_clean_path = os.path.join(output_dir, 'sleep_data_clean.csv')
|
||||
|
||||
# Schritt 4: Sicherstellen, dass beide Datensätze nach 'week' sortiert sind
|
||||
hr_data = hr_data.sort_values(by='week')
|
||||
sleep_data = sleep_data.sort_values(by='week')
|
||||
hr_data.to_csv(hr_data_clean_path, sep=';', index=False)
|
||||
sleep_data.to_csv(sleep_data_clean_path, sep=',', index=False)
|
||||
|
||||
# Schritt 5: Kombiniere die beiden Datensätze anhand der 'week' Spalte mit einem äußeren Join
|
||||
combined_data = pd.merge(hr_data, sleep_data, on='week', how='outer')
|
||||
print(f"HR-Daten wurden bereinigt und in {hr_data_clean_path} gespeichert.")
|
||||
print(f"Schlafdaten wurden bereinigt und in {sleep_data_clean_path} gespeichert.")
|
||||
|
||||
return hr_data, sleep_data
|
||||
|
||||
|
||||
# Schritt 1: Lade die HR- und Schlafdaten
|
||||
hr_data = pd.read_csv('/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/hr_gramic.csv',
|
||||
sep=';')
|
||||
sleep_data = pd.read_csv('/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/sleep_gramic.csv',
|
||||
sep=',')
|
||||
|
||||
# Bereinige und speichere die Daten
|
||||
hr_data, sleep_data = clean_and_save_data(hr_data, sleep_data)
|
||||
|
||||
# Schritt 2: Sortiere beide Datensätze nach 'week' und 'start_date'
|
||||
hr_data = hr_data.sort_values(by=['week', 'start_date'])
|
||||
sleep_data = sleep_data.sort_values(by=['week', 'start_date'])
|
||||
|
||||
# Schritt 3: Kombiniere die beiden Datensätze anhand der 'week' und 'start_date' Spalten mit einem äußeren Join
|
||||
combined_data = pd.merge(hr_data, sleep_data, on=['week', 'start_date'], how='outer')
|
||||
|
||||
# Zeige die kombinierten Daten
|
||||
print("\nKombinierte Daten:")
|
||||
print(combined_data)
|
||||
|
||||
# Schritt 6: Entferne alle Zeilen mit fehlenden Daten
|
||||
# Schritt 4: Entferne alle Zeilen mit fehlenden Daten
|
||||
combined_data = combined_data.dropna()
|
||||
|
||||
# Schritt 7: Berechne die Korrelation zwischen dem durchschnittlichen Herzfrequenzwert ('avg_hr') und der Schlafdauer ('Durchschnittliche Dauer')
|
||||
# Schritt 5: Berechne die Korrelation zwischen 'avg_hr' und 'Durchschnittliche Dauer'
|
||||
correlation = combined_data['avg_hr'].corr(combined_data['Durchschnittliche Dauer'])
|
||||
|
||||
print(f"\nDie Korrelation zwischen der durchschnittlichen Herzfrequenz und der Schlafdauer ist: {correlation}")
|
||||
|
||||
# Schritt 8: Visualisiere den Zusammenhang zwischen Herzfrequenz und Schlafdauer
|
||||
# Schritt 6: 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')
|
||||
|
|
|
|||
|
|
@ -0,0 +1,94 @@
|
|||
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', 'Apr': 'Apr', 'Mai': 'May', 'Jun': 'Jun',
|
||||
'Jul': 'Jul', 'Aug': 'Aug', 'Sep': 'Sep', 'Okt': 'Oct', 'Nov': 'Nov', 'Dez': 'Dec'
|
||||
}
|
||||
|
||||
# Funktion, um 'Okt 10-16' in eine Kalenderwoche zu konvertieren
|
||||
def convert_to_week_number(date_range_str):
|
||||
# Splitte den Datumsbereich in Monat und Tage
|
||||
month_str, day_range = date_range_str.split(" ")
|
||||
start_day = int(day_range.split("-")[0]) # Nimm den Starttag
|
||||
current_year = datetime.now().year
|
||||
|
||||
# Konvertiere den deutschen Monatsnamen in den englischen
|
||||
if month_str in month_translation:
|
||||
month_str = month_translation[month_str]
|
||||
|
||||
# Erstelle das Datum basierend auf dem Starttag und dem aktuellen Jahr
|
||||
date_str = f"{month_str} {start_day} {current_year}"
|
||||
start_date = datetime.strptime(date_str, "%b %d %Y") # Konvertiere in ein Datum
|
||||
return start_date.isocalendar()[1] # Gib die Kalenderwoche zurück
|
||||
|
||||
|
||||
# Schritt 1: Lade die HR-Daten (mit Semikolon separiert) und entferne 'bpm'
|
||||
hr_data = pd.read_csv('/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/hr_gramic.csv', sep=';')
|
||||
|
||||
# Zeige die ersten Zeilen der HR-Daten vor der Bereinigung
|
||||
print("HR-Daten (vor der Bereinigung):")
|
||||
print(hr_data.head())
|
||||
|
||||
# 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)
|
||||
hr_data['week'] = hr_data['Datum'].apply(convert_to_week_number)
|
||||
|
||||
# Zeige die HR-Daten nach der Umwandlung in Wochen
|
||||
print("\nHR-Daten (nach der Umwandlung in KW):")
|
||||
print(hr_data.head())
|
||||
|
||||
# Schritt 2: Berechne den Durchschnitt der Herzfrequenzdaten (In Ruhe und Hoch)
|
||||
hr_data['avg_hr'] = hr_data[['In Ruhe', 'Hoch']].mean(axis=1)
|
||||
|
||||
# Schritt 3: Lade die Schlafdaten (mit Komma separiert)
|
||||
sleep_data = pd.read_csv('/home/gra/PycharmProjects/cds_introduction_data_science_assignment/data/raw/sleep_gramic.csv', sep=',')
|
||||
|
||||
# Zeige die ersten Zeilen der Schlafdaten
|
||||
print("\nSchlafdaten:")
|
||||
print(sleep_data.head())
|
||||
|
||||
# Konvertiere auch das 'Datum' der Schlafdaten in Kalenderwoche (KW)
|
||||
sleep_data['week'] = sleep_data['Datum'].apply(convert_to_week_number)
|
||||
|
||||
# Schritt 4: Sicherstellen, dass beide Datensätze nach 'week' sortiert sind
|
||||
hr_data = hr_data.sort_values(by='week')
|
||||
sleep_data = sleep_data.sort_values(by='week')
|
||||
|
||||
# Schritt 5: Kombiniere die beiden Datensätze anhand der 'week' Spalte mit einem äußeren Join
|
||||
combined_data = pd.merge(hr_data, sleep_data, on='week', how='outer')
|
||||
|
||||
# Zeige die kombinierten Daten
|
||||
print("\nKombinierte Daten:")
|
||||
print(combined_data)
|
||||
|
||||
# Schritt 6: Entferne alle Zeilen mit fehlenden Daten
|
||||
combined_data = combined_data.dropna()
|
||||
|
||||
# Schritt 7: Berechne die Korrelation zwischen dem durchschnittlichen Herzfrequenzwert ('avg_hr') und der Schlafdauer ('Durchschnittliche Dauer')
|
||||
correlation = combined_data['avg_hr'].corr(combined_data['Durchschnittliche Dauer'])
|
||||
|
||||
print(f"\nDie Korrelation zwischen der durchschnittlichen Herzfrequenz und der Schlafdauer ist: {correlation}")
|
||||
|
||||
# Schritt 8: 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()
|
||||
|
|
@ -0,0 +1,53 @@
|
|||
Datum,Ø Score,Ø Qualität,Durchschnittliche Dauer,Ø Schlafenszeit,Ø Aufstehzeit
|
||||
Okt 11-17,45,Schlecht,5h 59min,1:40,7:50
|
||||
Okt 4-10,52,Schlecht,6h 38min,0:29,7:25
|
||||
Sep 27 - Okt 3,53,Schlecht,6h 5min,0:14,6:31
|
||||
Sep 20-26,60,Ausreichend,7h 5min,0:12,7:23
|
||||
Sep 13-19,61,Ausreichend,6h 27min,0:44,7:18
|
||||
Sep 6-12,53,Schlecht,6h 8min,1:08,7:22
|
||||
Aug 30 - Sep 5,66,Ausreichend,6h 59min,0:11,7:19
|
||||
Aug 23-29,61,Ausreichend,6h 39min,0:35,7:19
|
||||
Aug 16-22,67,Ausreichend,6h 25min,0:41,7:17
|
||||
Aug 9-15,57,Schlecht,5h 43min,0:17,6:04
|
||||
Aug 2-8,61,Ausreichend,6h 30min,0:31,7:24
|
||||
Jul 26 - Aug 1,62,Ausreichend,6h 55min,0:31,7:48
|
||||
Jul 19-25,55,Schlecht,7h 0min,2:35,10:14
|
||||
Jul 12-18,72,Ausreichend,6h 48min,0:03,7:05
|
||||
Jul 5-11,58,Schlecht,7h 42min,0:32,8:57
|
||||
Jun 28 - Jul 4,66,Ausreichend,6h 26min,1:24,7:57
|
||||
Jun 21-27,65,Ausreichend,6h 25min,0:39,7:17
|
||||
Jun 14-20,59,Schlecht,5h 43min,0:24,6:14
|
||||
Jun 7-13,61,Ausreichend,6h 34min,23:47,6:26
|
||||
Mai 31 - Jun 6,61,Ausreichend,6h 47min,0:35,7:33
|
||||
Mai 24-30,52,Schlecht,6h 33min,1:00,7:38
|
||||
Mai 17-23,51,Schlecht,6h 11min,1:12,7:30
|
||||
Mai 10-16,48,Schlecht,5h 44min,0:48,6:39
|
||||
Mai 3-9,45,Schlecht,5h 55min,0:49,6:48
|
||||
Apr 26 - Mai 2,56,Schlecht,6h 11min,1:26,7:41
|
||||
Apr 19-25,51,Schlecht,6h 19min,2:55,9:31
|
||||
Apr 12-18,57,Schlecht,6h 24min,1:28,8:03
|
||||
Apr 5-11,62,Ausreichend,6h 4min,0:56,7:09
|
||||
Mrz 29 - Apr 4,73,Ausreichend,6h 59min,1:34,8:53
|
||||
Mrz 22-28,59,Schlecht,5h 59min,1:05,7:11
|
||||
Mrz 15-21,55,Schlecht,6h 25min,0:47,7:23
|
||||
Mrz 8-14,53,Schlecht,6h 22min,0:56,7:25
|
||||
Mrz 1-7,47,Schlecht,5h 56min,0:51,6:56
|
||||
Feb 23-29,64,Ausreichend,7h 11min,0:09,7:27
|
||||
Feb 16-22,46,Schlecht,6h 56min,0:24,7:52
|
||||
Feb 9-15,50,Schlecht,8h 26min,23:58,8:48
|
||||
Feb 2-8,43,Schlecht,6h 13min,1:06,7:26
|
||||
Jan 26 - Feb 1,55,Schlecht,7h 17min,1:12,8:32
|
||||
Jan 19-25,55,Schlecht,6h 33min,0:59,7:37
|
||||
Jan 12-18,49,Schlecht,6h 16min,1:39,8:04
|
||||
Jan 5-11,54,Schlecht,6h 35min,1:28,8:14
|
||||
Dez 29, 2023 - Jan 4, 2024,55,Schlecht,7h 15min,0:52,8:34
|
||||
Dez 22-28, 2023,56,Schlecht,7h 10min,1:02,8:33
|
||||
Dez 15-21, 2023,61,Ausreichend,7h 40min,0:18,8:18
|
||||
Dez 8-14, 2023,43,Schlecht,7h 45min,23:45,8:52
|
||||
Dez 1-7, 2023,47,Schlecht,6h 51min,0:31,7:25
|
||||
Nov 24-30, 2023,48,Schlecht,7h 5min,0:29,8:01
|
||||
Nov 17-23, 2023,53,Schlecht,7h 1min,0:26,7:34
|
||||
Nov 10-16, 2023,47,Schlecht,7h 5min,0:19,7:28
|
||||
Nov 3-9, 2023,49,Schlecht,6h 10min,23:58,7:12
|
||||
Okt 27 - Nov 2, 2023,61,Ausreichend,6h 33min,0:08,6:50
|
||||
Okt 20-26, 2023,47,Schlecht,6h 11min,0:41,7:14
|
||||
|
Can't render this file because it has a wrong number of fields in line 43.
|
Loading…
Reference in New Issue