con respecto a las gráficas que muestran las coberturas por fuentes de datos,
cambiamos los scatters por bars y se ve mejor.

seguimos presentando sin ordenar, porque así es más fácil localizar a un
paciente en particular.

es la parte en donde lo que intentamos hacer es mostrar, para cada paciente,
cuantas comidas/días de glucómetro tenemos registrados.

inicialmente teníamos  una scatter en donde los pacientes estaban ordenados por
el valor a presentar (comidas o glucómetro). se veía más o menos bien, sobre
todo porque sugiere bien el % de pacientes que están debajo del umbral ... pero
no deja identificar a los pacientes que están bajo el umbral porque no se
muestran todas las etiquetas.

pensamos que con un heatmap podíamos mejorar esta visualización y hasta poner
una sola gráfica con las dos mediciones, pero no tuvo caso porque las escalas
son diferentes.

la mejor solución fue poner el scatter pero sin ordenar. de ese modo es fácil
ver quien está abajo del umbral.

no estaba ajustado al ID de los pacientes.

estas gráficas mostraban un scatter y un hist de algunas de las
mediciones
que se hacen a la población. casi todas eran QS -con adición de IMC-

ahora, se puso un selector que permite al usuario escoger el grupo de
variables que quiere visualizar. además, un selector adicional permite
escoger entre ver a toda la población junta o una separación de M/F.

la población junta muestra el scatter + la distribución de cada
variable. la población separada solo muestra el scatter para cada
grupo poblacional.

en cada grupo de variables, es posible definir una lista de las
variables que no se van a mostar. Pej, 'glucagon' en las de QS.

todas las gráficas que se presentan aquí son generadas con datos de
visitas que se obtienen del endpoint. el archivo 'inventario.csv' se
leía pero esos datos ya no se usaban. quizá fue un legado del original
'dinamyc'

en esta app, cuando se mostraban estadísticas de comidas (ver commit
anterior), los dato se leían del archivos 'todos-foods'.
se quita ahora esa lectura y las asignaciones/modificaciones que se
hacían al respectivo dataframe.

se calculaba una gráfica scatter que no aparecía en ningún panel.

son las mismas que ya están en 'estadisticas_comidas' y desde ahí ya
se actualizan usando un endpoint.

para que el el eje Y de la gráfica corresponda con los ids de los
pacientes en vez de una simple enumeración, usamos dichos ids como
índice del dataframe.

dado que este df se construía originalmente mediante la lectura de un
archivo, se hicieron todos los cambios para ajustar el DF de
clickhouse a este otro formato.

para hacer estos ajustes se usan un par de funciones de
nutri_utils (que se añadieron casi ex-profeso a esta biblioteca).

ahora ya no se necesita actualizar ningún archivo para correr el app
de estadísticas de comidas: toda la info viene de la app de
clickhouse.

se sustituyeron los rangos 'duros' del slider (30,217) por un cálculo
dinámico que determina los ids menor y mayor.

como el slider presenta todos los números del rango, hay que verificar
que un valor seleccionado del slider corresponde a un paciente que si
tiene comidas registradas. se simplificó un poco este proceso (que
antes sacaba una lista de 'no-presentes' para comparar con ella, pero
que ahora se hace con la negación de los 'si presentes')

estos archivos contenían por separado la info de las comidas de la app
y las de wapp, con formatos diferentes.

el archivo con comidas de la app tiene el mismo formato que la tabla
de comidas en clickhouse, así que esta sustitución fue directa.
la de las comidas de WAPP solo tenía las columnas de hora, pero fue
fácil sustituirla con los datos provenientes de clickhouse (este
último ya proporciona las comidas de las tres fuentes: app, WA,
recordatorios, así que, usando el mismo mecanismo que aprovechamos para
sustituir el file de WAPP por la respuesta de clickhouse, añadimos las
comidas de recordatorios.).

para que el el eje Y de la gráfica corresponda con los ids de los
pacientes en vez de una simple enumeración, usamos dichos ids como
índice del dataframe.

True/False es interpretado como 0/255, así que explícitamente lo
convertía entero  (0/1). Nota: en go.Heatmap no se hace interpretación
de datos, así que True/False no funciona.

es un duplicado de la última figura, con un nuevo dropdown y una nueva
función para generar la gráfica. así, ya tenemos todo listo para solo
modificar la gráfica de modo que envíe lo que queremos -que en este
caso será un heatmap-

los dos dropdowns quedan arriba, en un único row
luego la gráfica
luego los dos sliders, en un row cada uno.

ahora todos los controles y la gráfica son divs consecutivos.
todos los divs son wrappers.
cada control está encapsulado en un div que contiene su etiqueta y su control

ponemos los controles en una caja flex en fila y ponemos la gráfica
compuesta en un wrapper simple

tambén se fusionó en una gráfica previa

ahora inmersa en una combinación de bullet y scatter

es la gráfica conjunta de bullets y scatter para apreciar la cobertura.

para fusionar nuestras dos secciones en una sola, más informativa.

en el commit anterior la incluimos en un mismo row con los otros pies

se añadió un pie para las comidas por fuente.
se agruparon un mismo row los tres pies: etapas terminadas, comidas
por etapa, comidas por fuente.

se habían utilizado algunas constantes en versiones pasadas que ya no
son necesarias ni útiles.

ahora todo es obtenido a través de endpoints!

además, ahora es un pie en vez de unas barras.

ya no es con base en el archivo leído sino en lo obtenido desde el
endpoint 'pacientes'