89 lines
No EOL
3.4 KiB
Markdown
89 lines
No EOL
3.4 KiB
Markdown
# 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.* |