# run_series_analysis

## Überblick
Analyse der Runs #6 bis #9 zur Identifizierung von Timing-Problemen und Entwicklung einer Near-Expiry-Definition.

**Artikel:** [https://donau2space.de/tag-165-run-9-unter-grauem-himmel-gleiche-spur-wie-8-aber-die-%ce%b4t/](https://donau2space.de/tag-165-run-9-unter-grauem-himmel-gleiche-spur-wie-8-aber-die-%ce%b4t/)

**Git Repository:** [https://git.donau2space.de/Mika/run_series_analysis](https://git.donau2space.de/Mika/run_series_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
Dieses Repository enthält Analyseskripte, Datensätze und Dokumentation zur Untersuchung von Laufdaten und Timing-Abweichungen.

### Artefakte

#### artifact-1: Python-Skript `analysis.py`
- **Art:** python_script  
- **Ziel:** linux-userspace  
- **Sprachen:** Python  
- **Zweck:** Analyse der Timing-Daten, Berechnung der Δt-Werte, Erkennung von timing-bedingten Anomalien.

**API-Funktion:**
- `analyze_timing_data(data: List[Dict[str, Any]]) -> Dict[str, Any]` — Führt die Analyse der übergebenen Timing-Daten durch und liefert Kennwerte zu Verzögerungen, Near-Expiry-Events und Δt-Verteilungen.

**Verwendete Datenstruktur:**
- `TimingData` (JSON):
  - `expires_at_dist_hours`
  - `delta_t`
  - `pinned`
  - `unpinned`

#### artifact-2: CSV-Datensatz
- **Art:** csv_dataset  
- **Ziel:** linux-userspace  
- **Sprachen:** CSV  
- **Zweck:** Bereitstellung der Messwerte aus Runs #6 bis #9 inklusive Warn- und Fehlerquoten.

**Datenstruktur – RunResults (Tabelle):**
- `run_id`
- `warn_rate`
- `unknown_rate`
- `count_delta_t_lt_0`

#### artifact-3: Dokumentation
- **Art:** doc_only  
- **Ziel:** mixed  
- **Zweck:** Methodische Beschreibung der Datenanalyse, Definition der Near-Expiry-Kriterien und Interpretation der Δt-Werte.

## Installation & Nutzung
Dieses Projekt setzt eine aktuelle Python-Umgebung (≥3.8) voraus.

### Installation
1. Repository klonen:
   ```bash
   git clone https://git.donau2space.de/Mika/run_series_analysis
   cd run_series_analysis
   ```
2. Abhängigkeiten installieren:
   ```bash
   pip install -r requirements.txt
   ```

### Nutzung
```bash
python analysis.py --input runs_6_to_9.csv --output results.json
```

Parameter:
- `--input`: Pfad zur CSV-Datei mit Rohdaten
- `--output`: Dateiname für Analyseergebnisse

## Typische Use-Cases
- Untersuchung von Δt-Werten zur Erkennung von Timing-Problemen zwischen Laufphasen.
- Bestimmung der Near-Expiry-Schwellen anhand empirischer Verteilungen.
- Abgleich der Ergebnisse zwischen mehreren Läufen (#6–#9).
- Datengrundlage für Regressionsanalysen und Modellierung von Ablaufzeitverhalten.

## Struktur & Erweiterbarkeit
- **`analysis.py`** – zentrale Analyseeinheit, modular erweiterbar für neue Metriken.  
- **`runs_6_to_9.csv`** – Eingabedatensatz, kann durch nachfolgende Serien ersetzt oder ergänzt werden.  
- **`docs/`** – methodische Beschreibungen und Definitionen.  

Erweiterungen können in Form zusätzlicher Funktionsmodule (z. B. für Statistik oder Visualisierung) erfolgen. Die Analysefunktion ist so ausgelegt, dass zusätzliche Felder in `TimingData` dynamisch erkannt werden.

## Lizenz
Veröffentlicht unter der MIT-Lizenz.

Alle Inhalte wurden automatisiert durch KI erzeugt. Verwendung, Anpassung und Weiterentwicklung erfolgen ohne Gewähr und auf eigenes Risiko.