Add spike_finder/src/spike_finder/core.py

spike_finder/src/spike_finder/core.py

@@ -0,0 +1,49 @@
+import pandas as pd
+from datetime import datetime
+from typing import List, Dict, Any
+
+
+def find_spikes(log_data: List[Dict[str, Any]], threshold: float) -> List[Dict[str, Any]]:
+    """Analysiert Logdaten, um Spike-Events zu finden, deren Werte den Schwellenwert überschreiten.
+
+    Args:
+        log_data: Liste von Logeinträgen mit mindestens 'timestamp' und 'value'.
+        threshold: Grenzwert, oberhalb dessen ein Wert als Spike gilt.
+
+    Returns:
+        Liste von SpikeEvents (Dictionaries) mit Zeitpunkt, Wert und Kontextfenster.
+    """
+    if not isinstance(log_data, list):
+        raise ValueError("log_data muss eine Liste von Dictionaries sein.")
+    if not all(isinstance(entry, dict) for entry in log_data):
+        raise ValueError("Jeder Logeintrag muss ein Dictionary sein.")
+
+    if not log_data:
+        return []
+
+    df = pd.DataFrame(log_data)
+    if 'timestamp' not in df.columns or 'value' not in df.columns:
+        raise ValueError("Erwartete Felder 'timestamp' und 'value' fehlen in den Logdaten.")
+
+    # Konvertiere Zeitstempel in datetime
+    df['timestamp'] = pd.to_datetime(df['timestamp'], errors='coerce')
+    df = df.dropna(subset=['timestamp', 'value'])
+
+    if df.empty:
+        return []
+
+    spikes = []
+    window_size = 2  # Kontextfenster: 2 Werte davor und danach
+    for i, row in df.iterrows():
+        if float(row['value']) > threshold:
+            start = max(0, i - window_size)
+            end = min(len(df), i + window_size + 1)
+            context_values = df.iloc[start:end]['value'].tolist()
+            spike_event = {
+                'timestamp': row['timestamp'].isoformat(),
+                'value': float(row['value']),
+                'context_window': [float(v) for v in context_values]
+            }
+            spikes.append(spike_event)
+
+    return spikes