diff --git a/pulkka/column_maps.py b/pulkka/column_maps.py index 56f7d60..4f09a35 100644 --- a/pulkka/column_maps.py +++ b/pulkka/column_maps.py @@ -3,9 +3,6 @@ from __future__ import annotations IKA_COL = "Ikä" KAUPUNKI_COL = "Kaupunki" KIKY_COL = "Onko palkkasi nykyroolissasi mielestäsi kilpailukykyinen?" -KIKY_OTHER_COL = ( - "Onko palkkasi nykyroolissasi mielestäsi kilpailukykyinen? (muut vastaukset)" -) KKPALKKA_COL = "Kuukausipalkka" KK_TULOT_COL = "Kk-tulot (laskennallinen)" KK_TULOT_NORM_COL = "Kk-tulot (laskennallinen, normalisoitu)" @@ -18,9 +15,7 @@ PALKANSAAJA_VAI_LASKUTTAJA_COL = "Palkansaaja vai laskuttaja" PALVELUT_COL = "Palvelut" ROOLI_COL = "Rooli" ROOLI_NORM_COL = "Rooli (normalisoitu)" -SIIRTYNYT_COL = ( - "Oletko siirtynyt palkansaajasta laskuttajaksi tai päinvastoin 1.10.2023 jälkeen?" -) +SIIRTYNYT_COL = "Siirtynyt palkansaaja/laskuttaja" SUKUPUOLI_COL = "Sukupuoli" TUNTILASKUTUS_ALV0_COL = "Tuntilaskutus (ALV 0%, euroina)" TYOAIKA_COL = "Työaika" @@ -30,68 +25,67 @@ VUOSILASKUTUS_ALV0_COL = "Vuosilaskutus (ALV 0%, euroina)" VUOSITULOT_COL = "Vuositulot" ID_COL = "Vastaustunniste" -COLUMN_MAP_2024 = { - "Timestamp": "Timestamp", - "Oletko palkansaaja vai laskuttaja?": PALKANSAAJA_VAI_LASKUTTAJA_COL, - "Oletko siirtynyt palkansaajasta laskuttajaksi tai päinvastoin 1.10.2023 jälkeen?": SIIRTYNYT_COL, - "Ikä": "Ikä", - "Sukupuoli": "Sukupuoli", - "Työkokemus alalta (vuosina)": TYOKOKEMUS_COL, - "Koulutustaustasi": "Koulutustaustasi", - "Tulojen muutos viime vuodesta (%)": "Tulojen muutos viime vuodesta (%)", - "Montako vuotta olet tehnyt laskuttavaa työtä alalla?": "Montako vuotta olet tehnyt laskuttavaa työtä alalla?", - "Mitä palveluja tarjoat?": PALVELUT_COL, - "Tuntilaskutus (ALV 0%, euroina)": TUNTILASKUTUS_ALV0_COL, - "Vuosilaskutus (ALV 0%, euroina)": VUOSILASKUTUS_ALV0_COL, - "Hankitko asiakkaasi itse suoraan vai käytätkö välitysfirmojen palveluita?": "Hankitko asiakkaasi itse suoraan vai käytätkö välitysfirmojen palveluita?", - "Mistä asiakkaat ovat?": MISTA_ASIAKKAAT_COL, - "Työpaikka": "Työpaikka", - "Missä kaupungissa työpaikkasi pääasiallinen toimisto sijaitsee?": KAUPUNKI_COL, - "Millaisessa yrityksessä työskentelet?": MILLAISESSA_COL, - "Työaika": TYOAIKA_COL, - "Kuinka suuren osan ajasta teet lähityönä toimistolla?": LAHITYO_COL, - "Rooli / titteli": ROOLI_COL, - "Kuukausipalkka (brutto, euroina)": KKPALKKA_COL, - "Vuositulot (sis. bonukset, osingot yms, euroina)": VUOSITULOT_COL, - "Vapaa kuvaus kokonaiskompensaatiomallista": "Vapaa kuvaus kokonaiskompensaatiomallista", - "Onko palkkasi nykyroolissasi mielestäsi kilpailukykyinen?": KIKY_COL, - "Vapaa sana": "Vapaa sana", - "Palautetta kyselystä ja ideoita ensi vuoden kyselyyn": PALAUTE_COL, -} +COMMISSION_COL = "Provisio (kk, brutto)" +LOMARAHA_COL = "Lomaraha (EUR)" +BONUS_COL = "Bonus (EUR)" +EQUITY_COL = "Osakkeet/optiot (EUR)" +SENIORITY_COL = "Seniority" -COLUMN_MAP_2024_EN_TO_FI = { +COLUMN_MAP_2025 = { "Timestamp": "Timestamp", - "Employee or entrepreneur": "Oletko palkansaaja vai laskuttaja?", - "Have you switched from employment to entrepreneurship or vice versa after 1.10.2023?": "Oletko siirtynyt palkansaajasta laskuttajaksi tai päinvastoin 1.10.2023 jälkeen?", - "Age": "Ikä", - "Gender": "Sukupuoli", - "Relevant work experience from the industry (in years)": "Työkokemus alalta (vuosina)", + "Employee or entrepreneur": PALKANSAAJA_VAI_LASKUTTAJA_COL, + "Switched from employment to entrepreneurship, or vice versa, in 2025?": SIIRTYNYT_COL, + "Age": IKA_COL, + "Gender": SUKUPUOLI_COL, + "Finnish fluency": "Suomen kielen taito", + "Work language": "Työkieli", + "Relevant work experience from the industry (in years)": TYOKOKEMUS_COL, + "Years at current employer": "Vuosia nykyisellä työnantajalla", + "Companies worked for": "Työpaikkojen lukumäärä", + "Company size": "Yrityksen koko", "Education": "Koulutustaustasi", - "Change in income from last year (in %)": "Tulojen muutos viime vuodesta (%)", - "How many years have you worked as an entrepreneur in this industry?": "Montako vuotta olet tehnyt laskuttavaa työtä alalla?", - "What services do you offer?": "Mitä palveluja tarjoat?", - "Hourly rate (VAT 0%, in euros)": "Tuntilaskutus (ALV 0%, euroina)", - "Yearly billing (VAT 0%, in euros)": "Vuosilaskutus (ALV 0%, euroina)", + "Field of Study": "Opintoala", + "Change in pay rate from last year (%)": "Tulojen muutos viime vuodesta (%)", + "Years as entrepreneur": "Montako vuotta olet tehnyt laskuttavaa työtä alalla?", + "What services do you offer?": PALVELUT_COL, + "Hourly rate (VAT 0%, in euros)": TUNTILASKUTUS_ALV0_COL, + "Yearly billing (VAT 0%, in euros)": VUOSILASKUTUS_ALV0_COL, + "Billable hours per week": "Laskutettavat tunnit viikossa", + "Weeks not billing": "Viikot ilman laskutusta", + "Billing methods": "Laskutustavat", + "Contract length": "Sopimuksen pituus", "Do you use agencies or find your clients yourself?": "Hankitko asiakkaasi itse suoraan vai käytätkö välitysfirmojen palveluita?", - "Where are your clients from?": "Mistä asiakkaat ovat?", - "Company": "Työpaikka", - "In which city is your office?": "Missä kaupungissa työpaikkasi pääasiallinen toimisto sijaitsee?", - "What kind of a company you work in?": "Millaisessa yrityksessä työskentelet?", - "Full time / part time": "Työaika", - "How much of your work time you spend in company office? (in %)": "Kuinka suuren osan ajasta teet lähityönä toimistolla?", - "Role / title": "Rooli / titteli", - "Monthly salary (gross, in EUR)": "Kuukausipalkka (brutto, euroina)", - "Yearly income (incl. bonuses, etc; in EUR)": "Vuositulot (sis. bonukset, osingot yms, euroina)", + "Where are your clients from?": MISTA_ASIAKKAAT_COL, + "Company": TYOPAIKKA_COL, + "City": KAUPUNKI_COL, + "What kind of a company you work in?": MILLAISESSA_COL, + "Working time (h/week)": TYOAIKA_COL, + "Time in office (%)": LAHITYO_COL, + "Role / title": ROOLI_COL, + "Seniority level": SENIORITY_COL, + "Formal Seniority": "Virallinen senioriteetti", + "Base salary (gross, monthly EUR)": KKPALKKA_COL, + "Commission (gross, monthly EUR)": COMMISSION_COL, + "Lomaraha (Holiday bonus, in EUR)": LOMARAHA_COL, + "Bonus (EUR)": BONUS_COL, + "Equity (EUR)": EQUITY_COL, "Free description of your compensation model": "Vapaa kuvaus kokonaiskompensaatiomallista", - "Is your salary competitive?": "Onko palkkasi nykyroolissasi mielestäsi kilpailukykyinen?", + "Competitive salary": KIKY_COL, + "Bonus": "Bonukset (kuvaus)", + "Non-fringe benefits": "Edut (ei luontoisedut)", + "Yearly Tax-Free Benefits (EUR)": "Vuosittaiset verovapaat edut (EUR)", + "Fringe benefits (luontoisedut)": "Luontoisedut", + "Operating system": "Käyttöjärjestelmä", + "Language": "Ohjelmointikieli", + "Web Frameworks": "Web-kehykset", + "Data Engineering & Machine Learning": "Data & ML", + "DevOps & Cloud Platforms": "DevOps & pilvi", + "Databases": "Tietokannat", "What was left unasked that you want to answer to?": "Vapaa sana", - "Feedback of the survey": "Palautetta kyselystä ja ideoita ensi vuoden kyselyyn", + "Feedback of the survey": PALAUTE_COL, } -# ensure all columns have translations -assert set(COLUMN_MAP_2024.keys()) == set(COLUMN_MAP_2024_EN_TO_FI.values()) - -VALUE_MAP_2024_EN_TO_FI = { +VALUE_MAP_2025 = { PALKANSAAJA_VAI_LASKUTTAJA_COL: { "Employee": "Palkansaaja", "Entrepreneur": "Laskuttaja", @@ -122,9 +116,36 @@ VALUE_MAP_2024_EN_TO_FI = { "Tampere (etänä Berliiniin)": "Tampere", "Turku/remote (HQ Austin, TX)": "Turku", "Ulkomailla": "Ulkomaat", + "Remote": "Etätyö", + "remote": "Etätyö", + "Fully remote": "Etätyö", + "Fully remote work": "Etätyö", + "100% remote, no main office": "Etätyö", + "Completely distributed and remote": "Etätyö", + "Remote without HQ": "Etätyö", + "Remote (US)": "Ulkomaat", + "Outside Finland": "Ulkomaat", + "Abroad": "Ulkomaat", + "No centrla office, multiple locations with employees": "Etätyö", }, MILLAISESSA_COL: { "Product company with softaware as their core business": "Tuotetalossa, jonka core-bisnes on softa", + "Product company with software as their core business": "Tuotetalossa, jonka core-bisnes on softa", + "A company where software is a support role (for example banks or healthcare)": "Yritys, jossa softa tukirooli", + "Consulting": "Konsultointi", + "Public or third sector": "Julkinen/kolmas sektori", + }, + SUKUPUOLI_COL: { + "Male": "mies", + "Female": "nainen", + "Non-binary": "muu", + "Prefer not to say": None, + }, + KIKY_COL: { + "Above market": "Yli markkinatason", + "Average market": "Markkinataso", + "Below market": "Alle markkinatason", + "Not sure": "En osaa sanoa", }, } @@ -211,9 +232,7 @@ MALE_GENDER_VALUES = ( "äiä", ) -IDS_TO_DROP = { - "0bf579f8b0a771b9", # 2 euron palkka, rooli "2" - "9a3b73d810f6e983", # apache hyökkäyshelikopteri +IDS_TO_DROP_2025 = { + "18121abbdb13303c", # duplicate of d5ac88f64a922e6c (submitted 3 min later) } -FI_EXPECTED_ROW_COUNT = 682 -EN_EXPECTED_ROW_COUNT = 51 +EXPECTED_ROW_COUNT_2025 = 683 diff --git a/pulkka/data_ingest.py b/pulkka/data_ingest.py index 2afaf5e..28976ab 100644 --- a/pulkka/data_ingest.py +++ b/pulkka/data_ingest.py @@ -5,27 +5,25 @@ import re import warnings import numpy as np -import pandas import pandas as pd from pulkka.column_maps import ( - BOOLEAN_TEXT_TO_BOOLEAN_MAP, - COLUMN_MAP_2024, - COLUMN_MAP_2024_EN_TO_FI, + BONUS_COL, + COLUMN_MAP_2025, + COMMISSION_COL, COMPANY_MAP, - EN_EXPECTED_ROW_COUNT, + EQUITY_COL, + EXPECTED_ROW_COUNT_2025, FEMALE_GENDER_VALUES, - FI_EXPECTED_ROW_COUNT, ID_COL, - IDS_TO_DROP, + IDS_TO_DROP_2025, IKA_COL, KIKY_COL, - KIKY_OTHER_COL, KK_TULOT_COL, KK_TULOT_NORM_COL, KKPALKKA_COL, LAHITYO_COL, - LANG_COL, + LOMARAHA_COL, MALE_GENDER_VALUES, NO_GENDER_VALUES, OTHER_GENDER_VALUES, @@ -34,16 +32,18 @@ from pulkka.column_maps import ( ROOLI_COL, ROOLI_NORM_COL, SUKUPUOLI_COL, + TUNTILASKUTUS_ALV0_COL, TYOAIKA_COL, TYOKOKEMUS_COL, TYOPAIKKA_COL, - VALUE_MAP_2024_EN_TO_FI, + VALUE_MAP_2025, + VUOSILASKUTUS_ALV0_COL, VUOSITULOT_COL, ) from pulkka.config import DATA_DIR, YEAR -def map_sukupuoli(r: pd.Series) -> str | None: +def map_sukupuoli(r: pd.Series) -> str | None: # Unused in 2025 value = r[SUKUPUOLI_COL] if not isinstance(value, str): return value @@ -84,44 +84,29 @@ def map_numberlike(d): return d -def ucfirst(val): +def ucfirst(val) -> str: if isinstance(val, str): return val[0].upper() + val[1:] return val def hash_row(r: pd.Series) -> str: - source_data = f"{r[LANG_COL]}.{int(r.Timestamp.timestamp() * 1000)}" + source_data = ( + f"en.{int(r.Timestamp.timestamp() * 1000)}" # NB (2025): hard-codes `en`! + ) return hashlib.sha256(source_data.encode()).hexdigest()[:16] def read_initial_dfs() -> pd.DataFrame: - df_fi: pd.DataFrame = pd.read_excel( - DATA_DIR / "results-fi.xlsx", - skiprows=[1], # Google Sheets exports one empty row - ) - df_fi[LANG_COL] = "fi" + df: pd.DataFrame = pd.read_excel(DATA_DIR / "data.xlsx") + df.columns = df.columns.str.strip() - if len(df_fi) < FI_EXPECTED_ROW_COUNT: + if len(df) < EXPECTED_ROW_COUNT_2025: raise ValueError( - f"Expected at least {FI_EXPECTED_ROW_COUNT} rows in the Finnish data, got {len(df_fi)}", + f"Expected at least {EXPECTED_ROW_COUNT_2025} rows, got {len(df)}", ) - df_en: pd.DataFrame = pd.read_excel( - DATA_DIR / "results-en.xlsx", - skiprows=[1], # Google Sheets exports one empty row - ) - df_en[LANG_COL] = "en" - - if len(df_fi) < EN_EXPECTED_ROW_COUNT: - raise ValueError( - f"Expected at least {EN_EXPECTED_ROW_COUNT} rows in the English data, got {len(df_en)}", - ) - - df_en = df_en.rename(columns=COLUMN_MAP_2024_EN_TO_FI) - df = pd.concat([df_fi, df_en], ignore_index=True) df = df[df["Timestamp"].notna()] # Remove rows with no timestamp - df[LANG_COL] = df[LANG_COL].astype("category") # Give each row a unique hash ID df[ID_COL] = df.apply(hash_row, axis=1) # Ensure truncated sha is unique @@ -146,38 +131,75 @@ def map_case_insensitive(series: pd.Series, mapping: dict[str, str]) -> pd.Serie def read_data() -> pd.DataFrame: - if YEAR != "2024": + if YEAR != "2025": raise ValueError( - "This code only works for 2024. " + "This code only works for 2025. " "Please use an older revision for older data.", ) df = read_initial_dfs() - df = df.rename(columns=COLUMN_MAP_2024) + df = df.rename(columns=COLUMN_MAP_2025) - for col, val_map in VALUE_MAP_2024_EN_TO_FI.items(): + for col, val_map in VALUE_MAP_2025.items(): df[col] = df[col].map(val_map).fillna(df[col]).astype("category") # Drop known bogus data - df = df.drop(df[df[ID_COL].isin(IDS_TO_DROP)].index) + df = df.drop(df[df[ID_COL].isin(IDS_TO_DROP_2025)].index) - df[SUKUPUOLI_COL] = df.apply(map_sukupuoli, axis=1).astype("category") + # Drop duplicate submissions: rows identical on all columns except + # Timestamp and ID (keep the earliest submission) + content_cols = [c for c in df.columns if c not in ("Timestamp", ID_COL)] + before = len(df) + df = df.sort_values("Timestamp").drop_duplicates(subset=content_cols, keep="first") + n_dupes = before - len(df) + if n_dupes: + warnings.warn(f"Dropped {n_dupes} duplicate submission(s)") + + # Gender is already mapped via VALUE_MAP_2025 + df[SUKUPUOLI_COL] = df[SUKUPUOLI_COL].astype("category") df[IKA_COL] = df[IKA_COL].astype("category") + df[KIKY_COL] = df[KIKY_COL].astype("category") - # Assume that people entering 37.5 (hours) as their työaika means 100% - df.loc[df[TYOAIKA_COL] == 37.5, TYOAIKA_COL] = 100 - # Assume there is no actual 10x koodari among us - df.loc[df[TYOAIKA_COL] == 1000, TYOAIKA_COL] = 100 - - df[TYOAIKA_COL] = to_percentage(df[TYOAIKA_COL], 100) + # Working time is in h/week — normalize to fraction of 37.5h + df[TYOAIKA_COL] = to_percentage(df[TYOAIKA_COL], 37.5) + # Time in office is already a percentage df[LAHITYO_COL] = to_percentage(df[LAHITYO_COL], 100) - # Split out non-boolean answers from KIKY_COL to KIKY_OTHER_COL - df = split_boolean_column_to_other(df, KIKY_COL, KIKY_OTHER_COL) - # Try to clean up numbers with spaces, etc. to real numbers df[KKPALKKA_COL] = df[KKPALKKA_COL].apply(map_numberlike) - df[VUOSITULOT_COL] = df[VUOSITULOT_COL].apply(map_numberlike) + df[TUNTILASKUTUS_ALV0_COL] = pd.to_numeric( + df[TUNTILASKUTUS_ALV0_COL].apply(map_numberlike), + errors="coerce", + ) + df[VUOSILASKUTUS_ALV0_COL] = pd.to_numeric( + df[VUOSILASKUTUS_ALV0_COL].apply(map_numberlike), + errors="coerce", + ) + + # Synthesize Vuositulot from components: + # (base_salary + commission) * 12 + lomaraha + bonus + equity + for comp_col in [COMMISSION_COL, LOMARAHA_COL, BONUS_COL, EQUITY_COL]: + df[comp_col] = pd.to_numeric( + df[comp_col].apply(map_numberlike), + errors="coerce", + ).fillna(0) + + # Fold commission into monthly salary so KKPALKKA = base + commission + df[KKPALKKA_COL] = ( + pd.to_numeric(df[KKPALKKA_COL], errors="coerce").fillna(0) + df[COMMISSION_COL] + ) + + base_yearly = df[KKPALKKA_COL] * 12 + lomaraha = df.get(LOMARAHA_COL, 0) + bonus = df.get(BONUS_COL, 0) + equity = df.get(EQUITY_COL, 0) + + df[VUOSITULOT_COL] = base_yearly + lomaraha + bonus + equity + # If base salary is missing/zero, vuositulot should be NaN + df.loc[ + pd.to_numeric(df[KKPALKKA_COL], errors="coerce").fillna(0) == 0, + VUOSITULOT_COL, + ] = np.nan # Fix up Työpaikka df[TYOPAIKKA_COL] = df[TYOPAIKKA_COL].replace("-", np.nan) @@ -214,7 +236,7 @@ def read_data() -> pd.DataFrame: return df -def to_percentage(ser: pandas.Series, norm_max: float) -> pandas.Series: +def to_percentage(ser: pd.Series, norm_max: float) -> pd.Series: """ Convert a series of numbers to a percentage """ @@ -227,54 +249,16 @@ def to_percentage(ser: pandas.Series, norm_max: float) -> pandas.Series: return ser.clip(lower=0) -def split_boolean_column_to_other(df, col, other_col): - df[col] = df[col].replace(BOOLEAN_TEXT_TO_BOOLEAN_MAP) - df[other_col] = df[col].apply( - lambda r: r if (r and not isinstance(r, bool)) else None, - ) - df[col] = ( - df[col] - .apply( - lambda value: ( - ["Ei", "Kyllä"][value] - if isinstance(value, bool) - else (np.nan if not value else "Muu") - ), - ) - .astype("category") - ) - # reorder columns so that other_col is right after col - cols = list(df.columns) - cols.remove(other_col) - cols.insert(cols.index(col) + 1, other_col) - df = df[cols] - return df - - -def force_age_numeric(df): +def force_age_numeric(df: pd.DataFrame) -> pd.DataFrame: age_map = {} for cat in df[IKA_COL].cat.categories: - m = re.match(r"^(\d+)-(\d+) v", cat) + m = re.match(r"^(\d+)-(\d+)( v)?", cat) if m: age_map[cat] = int(round(float(m.group(1)) + float(m.group(2))) / 2) df[IKA_COL] = df[IKA_COL].apply(lambda r: age_map.get(r, r)) return df -def main(): - pd.set_option("display.max_column", None) - pd.set_option("display.max_rows", None) - pd.set_option("display.max_seq_items", None) - pd.set_option("display.max_colwidth", 500) - pd.set_option("expand_frame_repr", True) - df = read_data() - print(df.head()) - - -if __name__ == "__main__": - main() - - def apply_fixups(df: pd.DataFrame, fixups: list[tuple[dict, dict]]) -> pd.DataFrame: for match_cond, replace_cond in fixups: match_keys, match_values = zip(*match_cond.items()) @@ -286,3 +270,17 @@ def apply_fixups(df: pd.DataFrame, fixups: list[tuple[dict, dict]]) -> pd.DataFr replace_keys, replace_values = zip(*replace_cond.items()) df.loc[ix, list(replace_keys)] = replace_values return df + + +def main() -> None: + pd.set_option("display.max_column", None) + pd.set_option("display.max_rows", None) + pd.set_option("display.max_seq_items", None) + pd.set_option("display.max_colwidth", 500) + pd.set_option("expand_frame_repr", True) + df = read_data() + print(df.head()) + + +if __name__ == "__main__": + main() diff --git a/pulkka/data_utils.py b/pulkka/data_utils.py index 002a4ee..1a5adad 100644 --- a/pulkka/data_utils.py +++ b/pulkka/data_utils.py @@ -43,3 +43,28 @@ def rename_na(df: pd.DataFrame, col: str, na_name: str) -> None: df[col] = df[col].astype("string") df.loc[df[col].isna(), col] = na_name df[col] = df[col].astype("category") + + +def explode_multiselect( + series: pd.Series, + *, + sep: str = ", ", + top_n: int | None = None, +) -> pd.Series: + """ + Explode a comma-separated multiselect column into value counts. + + Returns a Series of counts indexed by individual values, + sorted descending. Optionally limited to top_n entries. + """ + counts = ( + series.dropna() + .str.split(sep) + .explode() + .str.strip() + .loc[lambda s: s != ""] + .value_counts() + ) + if top_n is not None: + counts = counts.head(top_n) + return counts diff --git a/template/index.html b/template/index.html index fa26013..12a4847 100644 --- a/template/index.html +++ b/template/index.html @@ -1,8 +1,11 @@ {% extends "_base.html" %} +{% macro eur_span(number) -%} + {{ number }} € +{%- endmacro %} {% macro tunnusluvut_points(df, col_name, title) %} - {% with num_kk = df[pd.to_numeric(df[col_name], errors='coerce').notnull()][col_name] %} -
  • {{ title }}, keskiarvo = {{ num_kk.mean()|round(0) }} €
    • -
  • {{ title }}, mediaani = {{ num_kk.median()|round(0) }} €
    • + {% with num_kk = df[col_name][pd.to_numeric(df[col_name], errors='coerce') > 0].dropna() %} +
  • {{ title }}, keskiarvo = {{ eur_span(num_kk.mean()|round(0)) }}
    • +
  • {{ title }}, mediaani = {{ eur_span(num_kk.median()|round(0)) }}
    • {% endwith %} {% endmacro %} {% block body %} @@ -74,6 +77,15 @@ International (CC BY 4.0).
    Mankelointityökalujen lisenssi on MIT.

    + {% endblock %} {% block footer %}