Das Skript liest direkt deine Thermometer.csv (mit Systemebene = psychisch|sozial), konstruiert ein bipartites Netz (Systemebene ↔ Item) mit Kantengewicht = Effektstärke (Vorzeichen bleibt erhalten), rendert ein interaktives Spring-Layout und exportiert (optional) JSON mit Knoten/Kanten & einfachen Zentralitäten.

visible-learning systemtheoretisch.py

@@ -450,10 +450,16 @@ def plot_rank_tables(df: pd.DataFrame, top_n: int = 15):
         fig.show()
         export_figure(fig, fname, export_fig_visual, export_fig_png)
 
-    top_abs = df.sort_values(df["Effektstärke"].abs(), ascending=False).head(top_n)
+    top_abs = (df.assign(_absd=lambda t: t["Effektstärke"].abs())
+                  .sort_values("_absd", ascending=False)
+                  .head(top_n)
+                  .drop(columns=["_absd"]))
     table(top_abs, f"Top {top_n} nach |d|", "sys_top_absd")
 
-    top_coup = df.sort_values(df["Kopplungsindex"].abs(), ascending=False).head(top_n)
+    top_coup = (df.assign(_absi=lambda t: t["Kopplungsindex"].abs())
+                   .sort_values("_absi", ascending=False)
+                   .head(top_n)
+                   .drop(columns=["_absi"]))
     table(top_coup, f"Top {top_n} nach |Kopplungsindex|", "sys_top_kopplung")
 
 # -----------------------------------------