phyling 7.0.2__tar.gz → 7.0.4__tar.gz

{phyling-7.0.2 → phyling-7.0.4}/.github/workflows/python-lint.yml

@@ -3,6 +3,9 @@ name: python-lint
 on:
   pull_request:
     branches: [ "**" ]
+  push:
+    branches: [ "main" ]
+  workflow_dispatch:
 
 jobs:
     python-lint:

{phyling-7.0.2 → phyling-7.0.4}/.gitignore

@@ -137,3 +137,5 @@ venv
 .pypirc
 test.json
 example_data.json
+example_data.csv
+example_data.old.txt

{phyling-7.0.2 → phyling-7.0.4}/.pre-commit-config.yaml

@@ -48,7 +48,7 @@ repos:
     rev: 0.6.1
     hooks:
       - id: nbstripout
-        exclude: ^examples/Nano-Phyling/lab_examples/.*\.ipynb$
+        exclude: ^examples/NanoPhyling-MiniPhyling/lab_examples/.*\.ipynb$
   - repo: https://github.com/compilerla/conventional-pre-commit
     rev: v4.2.0
     hooks:

phyling-7.0.4/CLAUDE.md

@@ -0,0 +1,37 @@
+# CLAUDE.md
+
+This file provides guidance to Claude Code (claude.ai/code) when working with code in this directory.
+
+## Présentation
+
+`phyling` est le package core Python de la plateforme Phyling. Il contient le code Cython pour la communication BLE avec les devices et les algorithmes d'analyse de base.
+
+## Stack
+
+- **Langage :** Python 3.10 + Cython
+- **Build :** setuptools avec extensions Cython (`pyproject.toml`)
+- **Dépendances :** numpy, bleak, ujson, urllib3, aiohttp, python-socketio
+- **Installation :** mode éditable `pip install -e .`
+
+## Build
+
+```bash
+cd PhylingApp/phyling
+
+# Compiler les extensions Cython
+pip install -e .
+
+# Restart via Docker après recompilation
+just --justfile ../infra/justfile docker-restart cloud-simu-dev latest "celery managers realtime-manager"
+```
+
+> ⚠️ Toute modification de fichiers `.pyx` nécessite une recompilation.
+
+## Conventions
+
+- **Python 3.10**, 4 espaces, limite 120 caractères
+- **Linting :** Flake8
+- **Formatage :** Black
+- **Cython :** fichiers `.pyx` compilés en `.c` puis `.so`
+
+Voir `PhylingApp/CLAUDE.md` pour les conventions communes (imports, logs, docstrings).

{phyling-7.0.2 → phyling-7.0.4}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: phyling
-Version: 7.0.2
+Version: 7.0.4
 Summary: Phyling public package
 License: MIT License
         
@@ -49,6 +49,16 @@ Installez depuis les sources :
 pip install -e .
 ```
 
+### Prérequis Windows
+
+Le package contient une extension Cython qui nécessite un compilateur C++. Sur Windows, deux outils sont requis avant d'installer :
+
+1. **Git pour Windows** : https://git-scm.com/download/win
+2. **Microsoft C++ Build Tools** : https://visualstudio.microsoft.com/visual-cpp-build-tools/
+   - Dans l'installateur, cocher **"Développement Desktop en C++"**
+
+Relancer ensuite `pip install -e .` dans un nouveau terminal après l'installation.
+
 ## Exemples
 
 Cette partie regroupe plusieurs exemples :
@@ -59,8 +69,9 @@ Cette partie regroupe plusieurs exemples :
 ### Décoder un fichier brut Phyling
 - `phyling/examples/Analyse/decoder.ipynb` : notebook qui charge un enregistrement `.txt` brut, décrit les trames disponibles et les convertit en tableaux/pandas exploitables pour vos analyses.
 
-### Récupérer les données d'un NanoPhyling
-- `examples/Nano-Phyling/nanophyling.ipynb` : notebook qui se connecte à un Nano-Phyling, fait une acquisition de X secondes puis affiche les données
+### Récupérer les données d'un MiniPhyling ou d'un NanoPhyling
+- `examples/NanoPhyling-MiniPhyling/single_device.ipynb` : notebook qui se connecte à un seul Mini-Phyling ou Nano-Phyling, fait une acquisition puis affiche les données
+- `examples/NanoPhyling-MiniPhyling/multi_devices.ipynb` : notebook qui se connecte à plusieurs devices en parallèle et fusionne les acquisitions
 
 ### Se connecter à l'API Phyling
 La documentation de l'API Phyling est disponible ici : [docs.phyling.fr/api](https://docs.phyling.fr/api/)

{phyling-7.0.2 → phyling-7.0.4}/README.md

@@ -12,6 +12,16 @@ Installez depuis les sources :
 pip install -e .
 ```
 
+### Prérequis Windows
+
+Le package contient une extension Cython qui nécessite un compilateur C++. Sur Windows, deux outils sont requis avant d'installer :
+
+1. **Git pour Windows** : https://git-scm.com/download/win
+2. **Microsoft C++ Build Tools** : https://visualstudio.microsoft.com/visual-cpp-build-tools/
+   - Dans l'installateur, cocher **"Développement Desktop en C++"**
+
+Relancer ensuite `pip install -e .` dans un nouveau terminal après l'installation.
+
 ## Exemples
 
 Cette partie regroupe plusieurs exemples :
@@ -22,8 +32,9 @@ Cette partie regroupe plusieurs exemples :
 ### Décoder un fichier brut Phyling
 - `phyling/examples/Analyse/decoder.ipynb` : notebook qui charge un enregistrement `.txt` brut, décrit les trames disponibles et les convertit en tableaux/pandas exploitables pour vos analyses.
 
-### Récupérer les données d'un NanoPhyling
-- `examples/Nano-Phyling/nanophyling.ipynb` : notebook qui se connecte à un Nano-Phyling, fait une acquisition de X secondes puis affiche les données
+### Récupérer les données d'un MiniPhyling ou d'un NanoPhyling
+- `examples/NanoPhyling-MiniPhyling/single_device.ipynb` : notebook qui se connecte à un seul Mini-Phyling ou Nano-Phyling, fait une acquisition puis affiche les données
+- `examples/NanoPhyling-MiniPhyling/multi_devices.ipynb` : notebook qui se connecte à plusieurs devices en parallèle et fusionne les acquisitions
 
 ### Se connecter à l'API Phyling
 La documentation de l'API Phyling est disponible ici : [docs.phyling.fr/api](https://docs.phyling.fr/api/)

{phyling-7.0.2 → phyling-7.0.4}/examples/Analyse/decoder.ipynb

@@ -7,10 +7,27 @@
    "source": [
     "# Example notebook\n",
     "\n",
-    "The purpose of this notebook is to provide examples on how to:\n",
-    "- decode a file with raw data (txt format)\n",
-    "- save the decoded file into json format\n",
-    "- process and visualise the decoded data\n"
+    "Ce notebook illustre comment :\n",
+    "1. Décoder un fichier brut (format `.txt`) et obtenir les données en mémoire (JSON)\n",
+    "2. Processer le fichier brut en JSON et le sauvegarder sur disque\n",
+    "3. Générer un DataFrame depuis les données et le sauvegarder sur disque\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "9fc37f87",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "%matplotlib widget\n",
+    "import matplotlib.pyplot as plt\n",
+    "\n",
+    "from phyling.decoder import decoder\n",
+    "from phyling import phyling_utils\n",
+    "\n",
+    "path = \"./\"\n",
+    "raw_file = \"example_data.txt\""
    ]
   },
   {
@@ -18,21 +35,42 @@
    "id": "ba52e96f-8bd9-401a-b4d6-8f6b0993a7c5",
    "metadata": {},
    "source": [
-    "## 1. Decode file"
+    "## 1. Décoder le fichier → JSON en mémoire"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "719011ea",
+   "metadata": {},
+   "source": [
+    "### 1.1 (optionnel) Changer ou réinitialiser la calibration du fichier\n",
+    "Cette étape va modifier le fichier brut mais en sauvegarder une copie"
    ]
   },
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "9fc37f87",
+   "id": "252c84b2",
    "metadata": {},
    "outputs": [],
    "source": [
-    "%matplotlib widget\n",
-    "import matplotlib.pyplot as plt\n",
-    "\n",
-    "from phyling.decoder import decoder\n",
-    "from phyling import phyling_utils"
+    "oldFilename = raw_file[:-3] + \"old.\" + raw_file[-3:]\n",
+    "newCalibration = {}\n",
+    "print(f\"Rename {raw_file} to {oldFilename} and update the calibration of {raw_file} with {newCalibration}\")\n",
+    "decoder.updateCalibration(\n",
+    "    filename=path + raw_file,\n",
+    "    oldFilename=path + oldFilename,\n",
+    "    calibration=newCalibration,\n",
+    "    use_s3=False,\n",
+    ")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "0993bffc",
+   "metadata": {},
+   "source": [
+    "### 1.2 Décoder le fichier"
    ]
   },
   {
@@ -42,8 +80,6 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "path = \"./\"\n",
-    "raw_file = \"example_data.txt\"\n",
     "data = decoder.decode(path + raw_file, verbose=True, use_s3=False)"
    ]
   },
@@ -52,7 +88,7 @@
    "id": "9b7f69f8",
    "metadata": {},
    "source": [
-    "## 2. Decode file and save data in json format"
+    "## 2. Processer le fichier brut en JSON (et sauvegarder)"
    ]
   },
   {
@@ -62,7 +98,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Decode one file\n",
+    "# Décoder et sauvegarder un fichier\n",
     "decoder.decodeSave(path + raw_file, overwrite=False, verbose=True)"
    ]
   },
@@ -73,83 +109,77 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Decode all files in a folder\n",
+    "# Décoder et sauvegarder tous les fichiers d'un dossier\n",
     "processed_files = decoder.decodeSaveFolder(path, overwrite=False, verbose=True)\n",
     "print(processed_files)"
    ]
   },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "c60d6783",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Charger le fichier JSON sauvegardé\n",
+    "json_file = raw_file.replace(\".txt\", \".json\")\n",
+    "data = phyling_utils.load_json(path + json_file)"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "c1f234ae",
    "metadata": {},
    "source": [
-    "## 3. Process and plot data"
+    "## 3. Générer un DataFrame (et sauvegarder)"
    ]
   },
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "c60d6783",
+   "id": "f367e153",
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Load json file\n",
-    "json_file = raw_file.replace(\".txt\", \".json\")\n",
-    "data = phyling_utils.load_json(path + json_file)"
+    "# Générer le DataFrame depuis les données\n",
+    "df = decoder.json2csv(data)"
    ]
   },
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "d1766acd",
+   "id": "7ed8ef70",
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Directly from data object\n",
-    "\n",
-    "modName = \"imu\"\n",
-    "mod = data[\"modules\"][modName][\"data\"]\n",
-    "\n",
-    "plt.figure()\n",
-    "plt.plot(mod[\"T\"], mod[\"acc_x\"])\n",
-    "plt.xlabel(\"Temps (s)\")\n",
-    "plt.ylabel(\"Acc. (m/s$^2$)\")"
+    "df.head()"
    ]
   },
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "48e504ff",
+   "id": "a1b2c3d4",
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Convert data object to Dataframes\n",
-    "\n",
-    "df = phyling_utils.data2df(data, \"all\")\n",
-    "print(list(df))\n",
-    "df[\"imu\"].head()"
+    "# Sauvegarder le DataFrame en CSV\n",
+    "csv_file = raw_file.replace(\".txt\", \".csv\")\n",
+    "df.to_csv(path + csv_file, index=False)"
    ]
   },
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "8aac8a16",
+   "id": "f3116bf5",
    "metadata": {},
    "outputs": [],
    "source": [
+    "# Visualisation\n",
     "plt.figure()\n",
-    "plt.plot(df[\"imu\"][\"T\"], df[\"imu\"][\"acc_x\"])\n",
+    "plt.plot(df[\"T\"], df[\"imu.acc_x\"])\n",
     "plt.xlabel(\"Temps (s)\")\n",
     "plt.ylabel(\"Acc. (m/s$^2$)\")"
    ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "aa491911",
-   "metadata": {},
-   "outputs": [],
-   "source": []
   }
  ],
  "metadata": {
@@ -168,7 +198,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.10.19"
+   "version": "3.10.20"
   }
  },
  "nbformat": 4,

{phyling-7.0.2/examples/Nano-Phyling → phyling-7.0.4/examples/NanoPhyling-MiniPhyling}/lab_examples/pendulum.ipynb

@@ -22,9 +22,7 @@
     "from scipy.optimize import curve_fit\n",
     "from scipy.integrate import cumulative_trapezoid\n",
     "from scipy.interpolate import interp1d\n",
-    "from scipy.signal import butter, filtfilt\n",
     "from phyling.ble.nanophyling import NanoPhyling\n",
-    "from tabulate import tabulate\n",
     "from IPython.display import Video, display\n",
     "import matplotlib.image as mpimg\n",
     "\n",

phyling-7.0.4/examples/NanoPhyling-MiniPhyling/multi_devices.ipynb

@@ -0,0 +1,210 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "%matplotlib widget\n",
+    "import matplotlib.pyplot as plt\n",
+    "import nest_asyncio\n",
+    "\n",
+    "nest_asyncio.apply()  # used in notebook\n",
+    "\n",
+    "from phyling.ble import NanoPhyling, MiniPhyling, PhylingDevices"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "devices = PhylingDevices(\n",
+    "    [\n",
+    "        MiniPhyling(\n",
+    "            module_name=\"gauche\",  # Optionnel, par défaut on utilise le nom Bluetooth\n",
+    "            ble_name=\"MiniPhyling_42\"\n",
+    "        ),\n",
+    "        NanoPhyling(\n",
+    "            module_name=\"droite\",  # Optionnel, par défaut on utilise le nom Bluetooth\n",
+    "            ble_name=\"NanoPhyling_42\",\n",
+    "            config={\"rate\": 200, \"data\": [\"acc_x\", \"acc_y\", \"acc_z\", \"gyro_x\", \"gyro_y\", \"gyro_z\", \"mag_x\", \"mag_y\", \"mag_z\"]},\n",
+    "        ),\n",
+    "    ],\n",
+    "    output_fs=200,\n",
+    ")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Calibration\n",
+    "\n",
+    "`tare()` enregistre 5s de données immobiles par device (en parallèle) et calcule un offset par colonne.  \n",
+    "La calibration s'applique automatiquement dans `get_df()` : `coef * (val + offset)`.  \n",
+    "Le df existant de chaque device est **préservé**."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Tare sur plusieurs devices en parallèle\n",
+    "devices.tare({\n",
+    "    \"droite\": [\"gyro_x\", \"gyro_y\", \"gyro_z\"],\n",
+    "    \"gauche\": [\"gyro_x\", \"gyro_y\", \"gyro_z\"],\n",
+    "})"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Voir la calibration de tous les devices\n",
+    "devices.get_calib()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Reset la calibration (vide le dict, pas de calibration)\n",
+    "devices.reset_calib()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Remplacer la calibration d'un device\n",
+    "devices.set_calib({\n",
+    "    \"droite\": {\n",
+    "        \"mag_z\": {\"coef\": 1, \"offset\": 0},\n",
+    "    },\n",
+    "})"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Merger une calibration partielle\n",
+    "devices.update_calib({\n",
+    "    \"droite\": {\n",
+    "        \"acc_z\": {\"coef\": 1.02, \"offset\": 0},\n",
+    "    },\n",
+    "})"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# On peut aussi calibrer un device directement\n",
+    "droite = devices.get_device(\"droite\")\n",
+    "droite.tare([\"gyro_z\"])\n",
+    "droite.get_calib()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Acquisition"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Vous pouvez kill la cell pendant l'exécution pour arrêter l'enregistrement\n",
+    "devices.run(duration=30)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# La calibration est appliquée ici pour chaque device\n",
+    "df = devices.get_df(drop_nan=False)\n",
+    "df.head()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "cols = [\"acc_x\", \"acc_y\", \"acc_z\"]\n",
+    "\n",
+    "fig, axes = plt.subplots(len(cols), 1, sharex=True, figsize=(8, 6))\n",
+    "\n",
+    "for i, col in enumerate(cols):\n",
+    "    ax = axes[i]\n",
+    "\n",
+    "    for device in devices.devices:\n",
+    "        colname = f\"{device.get_name()}.{col}\"\n",
+    "        if colname in df.columns:\n",
+    "            ax.plot(df[\"T\"], df[colname], label=colname)\n",
+    "\n",
+    "    ax.set_title(col)\n",
+    "    ax.grid()\n",
+    "    ax.legend()\n",
+    "\n",
+    "axes[-1].set_xlabel(\"Time (s)\")\n",
+    "plt.tight_layout()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Enregistrer les données dans un CSV\n",
+    "# df.to_csv(\"example_data.csv\", index=False)"
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "venv",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.10.19"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 4
+}