92 lines
No EOL
3.5 KiB
Text
92 lines
No EOL
3.5 KiB
Text
# 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. |