Add baseline_recalc_ordering/src/baseline_recalc_ordering/core.py

baseline_recalc_ordering/src/baseline_recalc_ordering/core.py

@@ -0,0 +1,48 @@
+from __future__ import annotations
+import json
+import pandas as pd
+from statistics import mean, median, pstdev
+from typing import List, Dict
+
+
+def analyze_latency(order_sequence: List[str]) -> Dict[str, object]:
+    """Analysiert Latenzmetriken unter verschiedenen baseline_recalc-Reihenfolgen.
+
+    Diese Funktion überprüft die Eingabe, erzeugt exemplarische Latenzwerte
+    für jedes Element der Reihenfolge und berechnet daraus statistische Kennzahlen.
+    
+    Args:
+        order_sequence: Liste der angewandten baseline_recalc-Operationen in Reihenfolge.
+
+    Returns:
+        Dictionary mit der Reihenfolge und berechneten Latenzmetriken.
+    """
+    if not isinstance(order_sequence, list) or not all(isinstance(x, str) for x in order_sequence):
+        raise ValueError("order_sequence muss eine Liste von Strings sein.")
+    if not order_sequence:
+        raise ValueError("order_sequence darf nicht leer sein.")
+
+    # Simuliere exemplarische Latenzen: hier einfach eine deterministische Abbildung
+    # aus der Position + Buchstabenwerten, für Tests reproduzierbar.
+    latencies = []
+    for i, op in enumerate(order_sequence):
+        op_val = sum(ord(c) for c in op) % 50  # deterministisch und klein
+        latencies.append(op_val + i * 0.5)
+
+    df = pd.DataFrame({"operation": order_sequence, "latency": latencies})
+
+    latency_metrics = {
+        "mean": float(mean(df["latency"])),
+        "median": float(median(df["latency"])),
+        "stdev": float(pstdev(df["latency"])),
+        "min": float(df["latency"].min()),
+        "max": float(df["latency"].max()),
+        "count": int(df["latency"].count()),
+    }
+
+    result = {
+        "order_sequence": order_sequence,
+        "latency_metrics": latency_metrics,
+    }
+
+    return result