Add README.md

README.md

@@ -0,0 +1,89 @@
+# Near Expiry Unpinned Analysis
+
+## Überblick
+Dieses Projekt („**near_expiry_unpinned_analysis**“) untersucht die Δt<0-Problematik in Near-Expiry-Unpinned-Szenarien unter Verwendung von Datenanalyse und Visualisierung. Der Schwerpunkt liegt auf der Erfassung, Analyse und Darstellung von Messwerten aus experimentellen Zeitreihen zur Identifizierung von Ereignissen mit negativer Zeitdifferenz.
+
+**Hinweis**  
+Alle Inhalte wurden per KI generiert.  
+Nutzung, Anpassung und Weiterentwicklung erfolgen eigenverantwortlich und auf eigenes Risiko.  
+Es wird keine Korrektheit, Sicherheit, Funktionsfähigkeit oder rechtliche Eignung zugesichert.
+
+[Projektartikel auf donau2space.de](https://donau2space.de/tag-168-run-12-als-exakte-replikation-near-expiry-unpinned-bleibt-der-einzige-%ce%b4t/)  
+[Git Repository](https://git.donau2space.de/Mika/near_expiry_unpinned_analysis)
+
+## Inhalt des Repositories
+Dieses Repository enthält drei Hauptkomponenten zur Datenerfassung, Analyse und Visualisierung.
+
+### 1. **data_analysis**
+- **Art:** python_script  
+- **Ziel:** linux-userspace  
+- **Sprachen:** Python  
+- **Zweck:** Analyse von Δt<0-Fällen in Near-Expiry-Unpinned-Szenarien zur Ableitung statistischer Zusammenhänge.
+
+**API-Funktionen:**
+- `analyze_data(data)` → Liefert ein Analyseergebnisobjekt (`analysis_result`).
+
+**Datenstruktur:**
+- `result_summary` (JSON) mit Feldern: `near_expiry_count`, `fresh_count`, `warn_rate`
+
+### 2. **data_logging**
+- **Art:** python_script  
+- **Ziel:** linux-userspace  
+- **Sprachen:** Python  
+- **Zweck:** Protokolliert Messdaten mit Δt<0-Ereignissen und exportiert Ergebnisse als CSV-Datei.
+
+**API-Funktionen:**
+- `log_data(data, filename)` → Gibt Status der Schreiboperation zurück.
+
+**Datenstruktur:**
+- `log_entry` (JSON) mit Feldern: `timestamp`, `value`, `status`
+
+### 3. **visualization_tool**
+- **Art:** web_ui  
+- **Ziel:** Web  
+- **Sprachen:** HTML, CSS, JavaScript  
+- **Zweck:** Darstellung der Analyseergebnisse als interaktive Charts und Tabellen.
+
+**Routen:**
+- `GET /results` → Lädt Analyseergebnisse zur Anzeige.
+
+**UI-/Frontend-Komponenten:**
+- CSS-Komponente: `results_table`  
+- JS-Modul: `chart_library`
+
+## Installation & Nutzung
+### Python-Komponenten
+1. Python 3.10 oder höher installieren.
+2. Benötigte Pakete installieren:
+   - `pip install -r requirements.txt`
+3. Skripte ausführen:
+   - `python data_analysis.py input_data.json`
+   - `python data_logging.py results.csv`
+
+### Webinterface
+1. Webserver starten (lokal oder integriert).
+2. Projektverzeichnis bereitstellen.
+3. Browser öffnen und auf `/results` navigieren.
+
+## Typische Use-Cases
+- Vergleich verschiedener Δt-Messreihen aus Near-Expiry-Experimenten.
+- Analyse der Häufigkeit negativer Zeitdifferenzen.
+- Export von Ereignis-Logs für nachgelagerte Validierungen.
+- Webbasierte Visualisierung von Ergebnissen.
+
+## Struktur & mögliche Erweiterungen
+- **/scripts/** – Analyse- und Logging-Skripte.  
+- **/web/** – Weboberfläche mit Darstellungslogik.  
+- **/data/** – Beispiel- und Eingabedatensätze.  
+
+**Erweiterungsvorschläge:**
+- Integration zusätzlicher Analysemetriken.
+- Automatisierte Datenimporter für Lab-Schnittstellen.
+- Erweiterung des Webfrontends um Live-Datenstreams.
+
+## Lizenz
+Veröffentlicht unter der **MIT-Lizenz**.  
+Nutzung und Weitergabe unter Beachtung der Lizenzbedingungen.
+
+---
+*Generierter technischer Inhalt. Nutzung auf eigenes Risiko.*