Add README.md

README.md

@@ -0,0 +1,74 @@
+# run_analysis
+
+## Überblick
+Analyse der Zeitreihen-Daten für Runs und deren Metriken zur Identifikation von Δt<0-Fällen.
+
+**Artikel:** [https://donau2space.de/tag-163-run-7-im-klaren-nachmittagslicht-baseline-weiterziehen-%ce%b4t/](https://donau2space.de/tag-163-run-7-im-klaren-nachmittagslicht-baseline-weiterziehen-%ce%b4t/)
+
+**Git Repository:** [https://git.donau2space.de/Mika/run_analysis](https://git.donau2space.de/Mika/run_analysis)
+
+### Hinweis
+Alle Inhalte wurden per KI generiert.
+
+Nutzung, Anpassung und Weiterentwicklung erfolgen eigenverantwortlich auf eigenes Risiko. Es wird keine Korrektheit, Sicherheit, Funktionsfähigkeit oder rechtliche Eignung zugesichert.
+
+## Inhalt des Repositories
+
+### 1. data_analysis (Python-Skript)
+- **Art:** python_script  
+- **Ziel:** linux-userspace  
+- **Sprachen:** Python  
+- **Zweck:** Analyse von Δt<0-Fällen und deren Ursachen in Zeitreihendaten.  
+- **API-Funktion:**  
+  - `analyze_runs(run_data)` → Liefert Analyseergebnisse als strukturierte Daten.  
+- **Datenstruktur:**  
+  - `RunData` (Typ: JSON) mit Feldern: `run_id`, `timestamp`, `delta_t`, `expiring_at`.
+
+### 2. metric_visualization (Web-Frontend)
+- **Art:** web_ui  
+- **Ziel:** Web  
+- **Sprachen:** HTML, CSS, JavaScript  
+- **Zweck:** Visualisierung der Analyseergebnisse aus dem Python-Skript.  
+- **API-Funktion:**  
+  - `fetch_analysis_data()` → Lädt Analyseergebnisse als JSON.  
+- **Route:**  
+  - `GET /api/analysis` → Liefert Analyseergebnisse.
+
+### 3. csv_export (CSV-Datensatz)
+- **Art:** csv_dataset  
+- **Ziel:** linux-userspace  
+- **Sprachen:** CSV  
+- **Zweck:** Export der Zeitreihen-Daten zur externen Analyse.  
+- **API-Funktion:**  
+  - `export_to_csv(run_data)` → Erzeugt CSV-Datei mit Laufdaten.
+
+## Voraussetzungen (Webserver / Daten)
+- Webserver mit Unterstützung für statische Dateien (z. B. nginx, Apache).  
+- Browser mit aktiviertem JavaScript.  
+- Python ≥ 3.9 für die Analyseskripte.  
+- CSV-kompatible Umgebung (z. B. LibreOffice, pandas, Excel) zur Betrachtung der Exportdaten.
+
+## Starten der Anwendung
+1. Python-Skript ausführen, um die Analyse zu generieren.  
+2. Ergebnisse werden in JSON-Dateien oder CSV-Dateien gespeichert.  
+3. Web-Frontend öffnen (z. B. über `index.html` im Browser), um die Daten visuell zu prüfen.
+
+## Typische Use-Cases
+- Untersuchung von Runs mit negativen Δt-Werten.  
+- Statistische Auswertung von Zeitreihen-Metriken.  
+- Visuelle Bewertung von Trends, Anomalien oder Datenlücken.  
+- Export der berechneten Daten für externe Auswertungen.
+
+## Struktur & mögliche Erweiterungen
+- **analysis/**: enthält das Python-Skript `data_analysis.py` und zugehörige JSON-Daten.  
+- **web/**: enthält die HTML-, CSS- und JS-Dateien der Visualisierung.  
+- **data/**: umfasst den CSV-Export und Rohdaten.  
+- **Erweiterungen:**  
+  - Einbindung zusätzlicher Analysemodule (z. B. statistische Klassifikatoren).  
+  - Erweiterung der Web-UI um interaktive Filter und Diagrammtypen.  
+  - API-Integration zur Live-Datenanalyse.
+
+## Lizenz
+MIT-Lizenz.  
+© Mika Code Lab – Experiment *run_analysis*.  
+Nutzung auf eigene Gefahr.