glemaitre

# %%
import skrub
import pandas as pd
from pathlib import Path


def load_data(path: Path):
    return pd.read_csv(path)

glemaitre

Réglage optimal de la position de selle en cyclisme : littérature scientifique

Le livre de Frédéric Grappe "Cyclisme et optimisation de la performance" (éditions De Boeck) est effectivement une référence majeure qui aborde la biomécanique et l'optimisation de la position du cycliste [^5]. Bien que je n'aie pas accès au contenu exact du livre, voici les méthodes scientifiquement validées pour le réglage de la selle, issues de la littérature scientifique.

---

1. Méthodes de réglage de la hauteur de selle

Méthode Hamley & Thomas (109% de l'entrejambe)

Cette formule classique, publiée en 1967, recommande de multiplier la mesure de l'entrejambe par 1,09 (109%) [^6].

glemaitre

glemaitre

glemaitre

# %%
# Download the original dataset to be able to easily build an index with the
# original datetime.
# The dataset is available at:
# https://archive.ics.uci.edu/ml/machine-learning-databases/00275/Bike-Sharing-Dataset.zip
import pandas as pd

df_external = pd.read_csv(
    "~/Downloads/Bike-Sharing-Dataset/hour.csv",
    index_col=0,

glemaitre

# %%
from sklearn.datasets import fetch_openml

usps = fetch_openml(data_id=41082)

# %%
data = usps.data
target = usps.target

# %%

glemaitre

import numpy as np
import pandas as pd


def calcul_chute_tension(
    Ib=1, S=1.5, Un=400, L=0.1, metal="cuivre", phi=np.arccos(0.85)
):

    Ib = np.asarray(Ib)
    S = np.asarray(S)

glemaitre

import pandas as pd
import pytest


def func(expected_columns):

    df = pd.DataFrame({
        "A": [1, 2, 3],
        "B": [1, 2, 3],
        "C": [1, 2, 3]

glemaitre

@pytest.mark.parametrize("name, Tree", REG_TREES.items())
@pytest.mark.parametrize("criterion", REG_CRITERIONS)
def test_diabetes_overfit(name, Tree, criterion):
    # check consistency of overfitted trees on the diabetes dataset
    # since the trees will overfit, we expect an MSE of 0
    reg = Tree(criterion=criterion, random_state=0)
    reg.fit(diabetes.data, diabetes.target)
    score = mean_squared_error(diabetes.target, reg.predict(diabetes.data))
    assert score == pytest.approx(0), (
        f"Failed with {name}, criterion = {criterion} and score = {score}"

glemaitre

In [1]: import numpy as np                                                                                                                                                  

In [2]: X = ["One", "string"]                                                                                                                                               

In [3]: X                                                                                                                                                                   
Out[3]: ['One', 'string']

In [4]: X[0]                                                                                                                                                                
Out[4]: 'One'