# 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.*