run_series_analysis/readme.md

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/

Git Repository: 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:

   git clone https://git.donau2space.de/Mika/run_series_analysis
   cd run_series_analysis
   

2. Abhängigkeiten installieren:

   pip install -r requirements.txt
   

Nutzung

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.