Referenssi algoritmi

import math

from scipy import stats

from typing import List, Dict, Any

INDIKAATTORI_ASETUKSET = {

    'RHR': {'huono': 70.0, 'hyva': 57.0, 'muutos': -0.16},

    'FFMI': {'huono': 19.335, 'hyva': 21.055, 'muutos': 0.015},

    'WHtR': {'huono': 0.632, 'hyva': 0.500, 'muutos': -0.000554667},

}

KORJAUKSET_NAISILLE = {'FFMI': 3.8, 'RHR': -3.5, 'WHtR': 0.0}

EKSPONENTIN_SKAALAUSKERROIN = 0.02

VAKUUS_KASVU_MAX_PROSENTTI_PER_VIIKKO = 0.01

PUUTTUVA_PISTE_SAKKO_KERROIN = 0.005

def _calculate_collateral_from_indicators(jakson_pituus_viikkoina: int, alkuperainen_vakuus: float, puuttuvien_pisteiden_lkm: int, indicator_values: Dict[str, List[float | None]]) -> float:

    """Laskee vakuuden arvon käsiteltyjen indikaattoridatan perusteella."""

    kokonaiskerroin = 1.0

    for avain, asetukset in INDIKAATTORI_ASETUKSET.items():

        valid_datapoints = [(i, val) for i, val in enumerate(indicator_values.get(avain, [])) if val is not None]

        if len(valid_datapoints) < 2:

            continue

        x_arvot = [p[0] for p in valid_datapoints]

        y_arvot = [p[1] for p in valid_datapoints]

        viikottainen_kehitys, _, _, _, _ = stats.linregress(x_arvot, y_arvot)

        keskiverto_taso = sum(y_arvot) / len(y_arvot)

        tavoite = (asetukset['hyva'] - keskiverto_taso) / (asetukset['hyva'] - asetukset['huono'])

        tavoite = max(0.0, min(tavoite, 1.0))

        kehitys_suhteessa_tasoon = viikottainen_kehitys / asetukset['muutos'] - tavoite

        kerroin = math.exp(kehitys_suhteessa_tasoon * EKSPONENTIN_SKAALAUSKERROIN)

        kokonaiskerroin *= kerroin

    kokonaiskerroin = min(kokonaiskerroin, 1 + VAKUUS_KASVU_MAX_PROSENTTI_PER_VIIKKO)

    kokonaiskerroin **= jakson_pituus_viikkoina

    kokonaiskerroin *= (1 - PUUTTUVA_PISTE_SAKKO_KERROIN) ** puuttuvien_pisteiden_lkm

    lopullinen_vakuus = alkuperainen_vakuus * kokonaiskerroin

    return lopullinen_vakuus

def laske_viikkoarvio(is_female: bool, pituus_cm: float, viikkomittaukset: List[Dict[str, Any]], alkuperainen_vakuus: float, offset: float) -> float:

    """Laskee uuden vakuuden arvon annettujen mittausten perusteella. Datan tulee edustaa kunkin viikon keskimääräisiä mittauksia."""

    pituus_m = pituus_cm / 100.0

    puuttuvien_pisteiden_lkm = 0

    indicator_values = {

        'RHR': [None] * len(viikkomittaukset),

        'FFMI': [None] * len(viikkomittaukset),

        'WHtR': [None] * len(viikkomittaukset)

    }

    jakson_pituus_viikkoina = len(viikkomittaukset) - 1

    for i, mittaus in enumerate(viikkomittaukset):

        if 'leposyke' in mittaus and mittaus['leposyke'] is not None:

            rhr_val = mittaus['leposyke']

            rhr_val += KORJAUKSET_NAISILLE['RHR'] if is_female else 0

            indicator_values['RHR'][i] = rhr_val

        else:

            puuttuvien_pisteiden_lkm += 1

        if 'paino_kg' in mittaus and mittaus['paino_kg'] is not None and \

           'rasvaprosentti' in mittaus and mittaus['rasvaprosentti'] is not None:

            ffmi_val = mittaus['paino_kg'] * (1 - (mittaus['rasvaprosentti']+offset) / 100) / (pituus_m ** 2)

            ffmi_val += KORJAUKSET_NAISILLE['FFMI'] if is_female else 0

            indicator_values['FFMI'][i] = ffmi_val

        else:

            puuttuvien_pisteiden_lkm += 1

        if 'vyotaronymarys_cm' in mittaus and mittaus['vyotaronymarys_cm'] is not None:

            whtr_val = mittaus['vyotaronymarys_cm'] / pituus_cm

            whtr_val += KORJAUKSET_NAISILLE['WHtR'] if is_female else 0

            indicator_values['WHtR'][i] = whtr_val

        else:

            puuttuvien_pisteiden_lkm += 1

    return _calculate_collateral_from_indicators(jakson_pituus_viikkoina, alkuperainen_vakuus, puuttuvien_pisteiden_lkm, indicator_values)