Mika/run_analysis
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
run_analysis/README.md
Mika 55ef3d4073 Add README.md
2026-02-28 14:47:40 +00:00

3.1 KiB
Raw Blame History

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/

Git Repository: 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.