git commit -m "Promotion: fix(tag-matching) | Fehlerhafte Zählung durch unvollständiges Matching von zusammengesetzten Tags behoben (Nummer:Typ:Begriff), semantische Inkonsistenzen (z. B. 'digitales:lernen' statt 'digital:lernen') korrigiert"

analyse_korrelation.py

@@ -1,3 +1,4 @@
+
 import os
 
 # Neue Exportfunktion: HTML in /tmp speichern, per SCP übertragen, PNG lokal speichern
@@ -490,6 +491,11 @@ df['X_Dimension'] = df[[tag for tag in tags_to_search_processed if tag in df.col
 df['Y_Dimension'] = df[[cat for cat in categories_processed if cat in df.columns]].sum(axis=1)
 df['Z_Dimension'] = df[[rq for rq in research_questions_processed if rq in df.columns]].sum(axis=1)
 
+# Clusteranalyse mit K-Means basierend auf den deduktiven Dimensionen
+features = df[['X_Dimension', 'Y_Dimension', 'Z_Dimension']]
+scaler = StandardScaler()
+scaled_features = scaler.fit_transform(features)
+
 # Clusteranalyse mit K-Means basierend auf den deduktiven Dimensionen
 # Prüfung auf konstante deduktive Dimensionen
 if df[['X_Dimension', 'Y_Dimension', 'Z_Dimension']].nunique().eq(1).all():
@@ -562,19 +568,6 @@ for cluster in cluster_means.index:
 
 # Statische Cluster-Beschriftungen in den DataFrame einfügen
 df['Cluster_Label'] = df['KMeans_Cluster'].map(cluster_labels)
-df['Cluster_Label'] = df['Cluster_Label'].fillna(df['KMeans_Cluster'])
-
-# Farbzuordnung für die Clusterlabels aus den CI-Farben ableiten
-fallback_color = cluster_colors.get("0", colors.get('primaryLine', '#1f77b4'))
-color_map = {}
-for cluster_key, label in cluster_labels.items():
-    base_color = cluster_colors.get(str(cluster_key), fallback_color)
-    color_map[label] = base_color
-
-# Sicherstellen, dass auch eventuelle Restlabels (z.B. "Nicht gültig") erfasst werden
-for label in df['Cluster_Label'].dropna().unique():
-    if label not in color_map:
-        color_map[label] = cluster_colors.get(str(label), fallback_color)
 
 # Ausgabe der statischen Cluster-Beschriftungen
 print("Cluster-Beschriftungen (inhaltlich):")
@@ -591,7 +584,7 @@ fig_cluster = px.scatter_3d(
     color='Cluster_Label',
     size='Point_Size',
     size_max=100,
-    color_discrete_map=color_map,
+    color_discrete_sequence=list(cluster_colors.values()),
     hover_data={
         'Cluster_Label': True,
         'X_Dimension': True,
@@ -760,17 +753,8 @@ def plot_average_correlation_plotly(summary_df):
     )
     # PNG-Export ergänzen
     png_path = os.path.join(export_path_png, f"{slugify('summary_plot_' + global_bib_filename.replace('.bib', ''))}.png")
-    try:
+    fig.write_image(png_path, width=1200, height=800, scale=2)
-        fig.write_image(png_path, width=1200, height=800, scale=2)
+    print(f"✅ PNG-Summary-Datei gespeichert unter: {png_path}")
-        print(f"✅ PNG-Summary-Datei gespeichert unter: {png_path}")
-    except ValueError as err:
-        if "kaleido" in str(err).lower():
-            print("⚠️ PNG-Export übersprungen: Plotly benötigt das Paket 'kaleido'.")
-            print("   Installation (falls gewünscht): pip install -U kaleido")
-        else:
-            print(f"⚠️ PNG-Export fehlgeschlagen: {err}")
-    except Exception as err:
-        print(f"⚠️ PNG-Export fehlgeschlagen: {err}")
 
 #============================
 # Aufruf Alle möglichen bivariaten Korrelationen visualisieren