# 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.