74 lines
No EOL
3.1 KiB
Markdown
74 lines
No EOL
3.1 KiB
Markdown
# 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. |