Merge pull request #2 from koodiklinikka/prepare-2022

Prepare for 2022

.github/workflows/build.yml

@@ -14,37 +14,21 @@ jobs:
   build:
     runs-on: ubuntu-latest
     steps:
-    - uses: actions/checkout@v2.3.1
-    - name: Set up Python 3.9
-      uses: actions/setup-python@v2
+    - uses: actions/checkout@v3
+    - name: Set up Python 3.10
+      uses: actions/setup-python@v3
       with:
-        python-version: 3.9
-    - name: Cache pip
-      uses: actions/cache@v2
-      with:
-        path: ~/.cache/pip
-        key: ${{ runner.os }}-pip-${{ hashFiles('requirements.txt') }}
-        restore-keys: |
-          ${{ runner.os }}-pip-
-          ${{ runner.os }}-
+        python-version: "3.10"
+        cache: pip
     - name: Install dependencies
-      run: |
-        python -m pip install --upgrade pip wheel
-        python -m pip install -r requirements.txt
+      run: python -m pip install -r requirements.txt
     - name: Build
       run: make -j3
-    - uses: actions/setup-node@v2
+    - uses: actions/setup-node@v3
       with:
-        node-version: '12'
-    - name: Get yarn cache directory path
-      id: yarn-cache-dir-path
-      run: echo "::set-output name=dir::$(yarn cache dir)"
-    - uses: actions/cache@v2
-      with:
-        path: ${{ steps.yarn-cache-dir-path.outputs.dir }}
-        key: ${{ runner.os }}-yarn-${{ hashFiles('**/yarn.lock') }}
-        restore-keys: |
-          ${{ runner.os }}-yarn-
+        node-version: '16'
+        cache: yarn
+        cache-dependency-path: analysaattori/yarn.lock
     - run: yarn
       working-directory: analysaattori
     - run: yarn build
@@ -58,3 +42,4 @@ jobs:
       with:
         branch: gh-pages
         folder: out
+      if: ${{ github.event_name == 'push' }}

Makefile

@@ -1,27 +1,41 @@
-.PHONY: data/results.xlsx data/results.tsv
+DATA_DIR := data/2021
+OUT_DIR := out
+XLSX_URL := https://docs.google.com/spreadsheets/d/1l-Zgf1HqaFGd8gRA8kQzaxJ3R7eJy29ORUS8pr5o0nk/export?format=xlsx
+TSV_URL := https://docs.google.com/spreadsheets/d/1l-Zgf1HqaFGd8gRA8kQzaxJ3R7eJy29ORUS8pr5o0nk/export?format=tsv
 
-out: all-data copy-raw-data copy-massaged-data static charts profiling
+export DATA_DIR
+export OUT_DIR
 
-copy-raw-data: all-data
-	cp data/results.xlsx out/raw.xlsx
-	cp data/results.tsv out/raw.tsv
+.PHONY: $(DATA_DIR)/results.xlsx $(DATA_DIR)/results.tsv
+
+all: all-data copy-raw-data copy-massaged-data static charts profiling
+
+$(OUT_DIR):
+	mkdir -p $(OUT_DIR)
+
+copy-raw-data: all-data $(OUT_DIR)
+	cp $(DATA_DIR)/results.xlsx $(OUT_DIR)/raw.xlsx
+	cp $(DATA_DIR)/results.tsv $(OUT_DIR)/raw.tsv
 
 copy-massaged-data: all-data
-	python copy_massaged_data.py
+	python -m pulkka.copy_massaged_data
 
 static: all-data
-	python massage_templates.py
+	python -m pulkka.massage_templates
 
 charts: all-data
-	python generate_charts.py
+	python -m pulkka.generate_charts
 
 profiling: all-data
-	python generate_profiling.py
+	python -m pulkka.generate_profiling
 
-all-data: data/results.xlsx data/results.tsv
+all-data: $(DATA_DIR)/results.xlsx $(DATA_DIR)/results.tsv
 
-data/results.xlsx:
-	curl -fsSL -o $@ "https://docs.google.com/spreadsheets/d/1l-Zgf1HqaFGd8gRA8kQzaxJ3R7eJy29ORUS8pr5o0nk/export?format=xlsx"
+$(DATA_DIR):
+	mkdir -p $(DATA_DIR)
 
-data/results.tsv:
-	curl -fsSL -o $@ "https://docs.google.com/spreadsheets/d/1l-Zgf1HqaFGd8gRA8kQzaxJ3R7eJy29ORUS8pr5o0nk/export?format=tsv"
+$(DATA_DIR)/results.xlsx: $(DATA_DIR)
+	curl -fsSL -o $@ $(XLSX_URL)
+
+$(DATA_DIR)/results.tsv: $(DATA_DIR)
+	curl -fsSL -o $@ $(TSV_URL)

copy_massaged_data.py

@@ -1,18 +0,0 @@
-from data_ingest import read_data
-
-
-def main():
-    df = read_data()
-    df.to_html("out/data.html", index=False)
-    df.to_csv("out/data.csv", index=False)
-    df.to_excel("out/data.xlsx", index=False)
-    df.to_json(
-        "out/data.json",
-        orient="records",
-        date_format="iso",
-        force_ascii=False,
-    )
-
-
-if __name__ == "__main__":
-    main()

data/2021/results.tsv

@@ -492,4 +492,11 @@ Timestamp	Missä kaupungissa työpaikkasi pääasiallinen toimisto sijaitsee?	Ik
 2/25/2021 14:10:33	Tampere	21-25 v	naisoletettu	1	Työntekijä / palkollinen	50%	Systems Administrator ja firmän sisäinen 1st line -tukihessu	Pääosin tai kokonaan toimistolla	1081	14000	Kyllä		Kk-palkkani on varsinkin vaihteleva, koska riippuu vuorolisistä (mahdollisista pyhä- ja yövuoroista ja tuurauksista). Jonkinlaisen oletuksen nyt yritin lyödä vuositulolle, mutta taitaa jäädä todellisuudessa hivenen sen alle.
 2/25/2021 21:17:36	PK-Seutu (Helsinki, Espoo, Vantaa)	31-35 v	Mies	10	Työntekijä / palkollinen	100%	Full-stack ohjemistokehittäjä	Pääosin tai kokonaan toimistolla	4600	58000	Kyllä		
 2/26/2021 9:33:00	Oulu	46-50 v	Mies	21	Työntekijä / palkollinen	100%	Backend-koodari	Pääosin tai kokonaan etätyö	5000	70000	Kyllä	Nokia	
-2/26/2021 12:16:20	Tampere	36-40 v	Mies	15	Työntekijä / palkollinen	100%	Ohjelmistosuunnittelija	Pääosin tai kokonaan toimistolla	4300	53750	Ei	Gofore	
+2/26/2021 12:16:20	Tampere	36-40 v	Mies	15	Työntekijä / palkollinen	100%	Ohjelmistosuunnittelija	Pääosin tai kokonaan toimistolla	4300	53750	Ei	Gofore	
+2/26/2021 12:21:52	Tampere	31-35 v	Mies	11	Freelancer	100%	frontend	Pääosin tai kokonaan etätyö		157300	Kyllä		
+2/26/2021 12:46:37	PK-Seutu (Helsinki, Espoo, Vantaa)	31-35 v	M	11	Työntekijä / palkollinen	100%	Arkkitehti	Pääosin tai kokonaan toimistolla	6500	81250	Kyllä	Siili	
+2/26/2021 12:47:26	PK-Seutu (Helsinki, Espoo, Vantaa)	31-35 v	Nainen	3	Työntekijä / palkollinen	100%	Full-stack	Noin 50/50 hybridimalli	3800	-	Ei		
+2/26/2021 13:24:36	PK-Seutu (Helsinki, Espoo, Vantaa)	31-35 v	Mies		Työntekijä / palkollinen	100%	Ohjelmistokehittäjä	Noin 50/50 hybridimalli		75000	Kyllä	Vincit	
+2/26/2021 16:28:30	Tampere	41-45 v	Mies	20	Työntekijä / palkollinen	100%	full-stack	Pääosin tai kokonaan toimistolla	4800	61000	Kyllä		
+2/27/2021 12:38:01	Tampere	31-35 v	Mies	9	Työntekijä / palkollinen	100%	backend ja devops	Pääosin tai kokonaan etätyö	4270	54000	Ei		
+2/27/2021 17:49:25	Kouvola	31-35 v	Mies	2	Työntekijä / palkollinen	100%	Full-stack Ohjelmistosuunnittelija	Pääosin tai kokonaan etätyö	2800		Ei		

pulkka/chart_utils.py

@@ -2,7 +2,7 @@ from bokeh import models as bm, plotting as bp
 from bokeh.transform import factor_cmap
 from pandas import DataFrame
 
-from data_utils import get_categorical_stats
+from pulkka.data_utils import get_categorical_stats
 
 CAT_Q_RADIUS = 0.1
 

pulkka/config.py

@@ -0,0 +1,5 @@
+import os
+from pathlib import Path
+
+DATA_DIR = Path(os.environ.get("DATA_DIR", "data"))
+OUT_DIR = Path(os.environ.get("OUT_DIR", "out"))

pulkka/copy_massaged_data.py

@@ -0,0 +1,19 @@
+from pulkka.config import OUT_DIR
+from pulkka.data_ingest import read_data
+
+
+def main():
+    df = read_data()
+    df.to_html(OUT_DIR / "data.html", index=False)
+    df.to_csv(OUT_DIR / "data.csv", index=False)
+    df.to_excel(OUT_DIR / "data.xlsx", index=False)
+    df.to_json(
+        OUT_DIR / "data.json",
+        orient="records",
+        date_format="iso",
+        force_ascii=False,
+    )
+
+
+if __name__ == "__main__":
+    main()

pulkka/data_ingest.py

@@ -3,6 +3,8 @@ import re
 import numpy as np
 import pandas as pd
 
+from pulkka.config import DATA_DIR
+
 COLUMN_MAP = {
     "Missä kaupungissa työpaikkasi pääasiallinen toimisto sijaitsee?": "Kaupunki",
     "Työaika (jos työsuhteessa)": "Työaika",
@@ -61,7 +63,7 @@ def map_ika(d):
 
 def read_data() -> pd.DataFrame:
     df: pd.DataFrame = pd.read_excel(
-        "data/results.xlsx",
+        DATA_DIR / "results.xlsx",
         skiprows=[1],  # Google Sheets exports one empty row
     )
     df.rename(columns=COLUMN_MAP, inplace=True)

pulkka/generate_charts.py

@@ -3,13 +3,14 @@ import bokeh.models as bm
 import bokeh.layouts as bl
 from pandas import DataFrame
 
-from chart_utils import (
+from pulkka.chart_utils import (
     gender_colormap,
     get_df_hover_tool,
     set_yaxis_cash,
     get_categorical_stats_plot,
 )
-from data_ingest import read_data
+from pulkka.config import OUT_DIR
+from pulkka.data_ingest import read_data
 
 plot_funcs = set()
 
@@ -56,7 +57,7 @@ def plot_kaupunki_vuositulot(df: DataFrame):
 def main():
     df = read_data()
     plots = [func(df) for func in sorted(plot_funcs, key=lambda f: f.__name__)]
-    bp.output_file("out/charts.html", title="Koodiklinikan Palkkakysely")
+    bp.output_file(OUT_DIR / "charts.html", title="Koodiklinikan Palkkakysely")
     bp.save(bl.grid(plots, ncols=2, sizing_mode="stretch_both"))
 
 

pulkka/generate_profiling.py

@@ -1,4 +1,5 @@
-from data_ingest import read_data, force_tulot_numeric, force_age_numeric
+from pulkka.config import OUT_DIR
+from pulkka.data_ingest import read_data, force_tulot_numeric, force_age_numeric
 from pandas_profiling import ProfileReport
 
 
@@ -7,7 +8,7 @@ def main():
     df = force_tulot_numeric(df)
     df = force_age_numeric(df)
     profile = ProfileReport(df)
-    profile.to_file("out/profiling_report.html")
+    profile.to_file(OUT_DIR / "profiling_report.html")
 
 
 if __name__ == "__main__":

pulkka/massage_templates.py

@@ -6,7 +6,8 @@ import jinja2
 import numpy
 import pandas
 
-from data_ingest import read_data
+from pulkka.config import OUT_DIR
+from pulkka.data_ingest import read_data
 
 
 def main():
@@ -20,7 +21,7 @@ def main():
         "df": read_data(),
     }
     for filename in glob.glob("template/*"):
-        out_filename = os.path.join("out", os.path.relpath(filename, "template"))
+        out_filename = OUT_DIR / os.path.relpath(filename, "template")
         with open(filename, "r") as inf:
             tpl: jinja2.Template = env.from_string(inf.read())
             content = tpl.render(data)

requirements.in

@@ -2,4 +2,4 @@ bokeh
 jinja2
 openpyxl
 pandas
-https://github.com/akx/pandas-profiling/archive/no-phik.zip#egg=pandas-profiling
+pandas-profiling

requirements.txt

@@ -1,56 +1,59 @@
 #
-# This file is autogenerated by pip-compile
+# This file is autogenerated by pip-compile with python 3.10
 # To update, run:
 #
 #    pip-compile requirements.in
 #
-attrs==20.3.0
-    # via
-    #   pandas-profiling
-    #   visions
-bokeh==2.2.3
+attrs==22.1.0
+    # via visions
+bokeh==2.4.3
     # via -r requirements.in
-certifi==2020.12.5
+certifi==2022.6.15
     # via requests
-chardet==4.0.0
+charset-normalizer==2.1.1
     # via requests
-confuse==1.4.0
-    # via pandas-profiling
-cycler==0.10.0
+cycler==0.11.0
     # via matplotlib
-decorator==4.4.2
-    # via networkx
-et-xmlfile==1.0.1
+et-xmlfile==1.1.0
     # via openpyxl
+fonttools==4.37.1
+    # via matplotlib
 htmlmin==0.1.12
     # via pandas-profiling
-idna==2.10
+idna==3.3
     # via requests
-imagehash==4.2.0
+imagehash==4.2.1
     # via visions
-jdcal==1.4.1
-    # via openpyxl
-jinja2==2.11.3
+jinja2==3.1.2
     # via
     #   -r requirements.in
     #   bokeh
     #   pandas-profiling
-joblib==1.0.1
-    # via pandas-profiling
-kiwisolver==1.3.1
+joblib==1.1.0
+    # via
+    #   pandas-profiling
+    #   phik
+kiwisolver==1.4.4
     # via matplotlib
-markupsafe==1.1.1
-    # via jinja2
-matplotlib==3.3.4
+markupsafe==2.1.1
+    # via
+    #   jinja2
+    #   pandas-profiling
+matplotlib==3.5.3
     # via
     #   missingno
     #   pandas-profiling
+    #   phik
     #   seaborn
-missingno==0.4.2
+missingno==0.5.1
     # via pandas-profiling
-networkx==2.5
+multimethod==1.8
+    # via
+    #   pandas-profiling
+    #   visions
+networkx==2.8.6
     # via visions
-numpy==1.20.1
+numpy==1.23.2
     # via
     #   bokeh
     #   imagehash
@@ -58,73 +61,82 @@ numpy==1.20.1
     #   missingno
     #   pandas
     #   pandas-profiling
+    #   phik
     #   pywavelets
     #   scipy
     #   seaborn
     #   visions
-openpyxl==3.0.6
+openpyxl==3.0.10
     # via -r requirements.in
-packaging==20.9
-    # via bokeh
-https://github.com/akx/pandas-profiling/archive/no-phik.zip#egg=pandas-profiling
-    # via -r requirements.in
-pandas==1.2.2
+packaging==21.3
+    # via
+    #   bokeh
+    #   matplotlib
+pandas==1.4.4
     # via
     #   -r requirements.in
     #   pandas-profiling
+    #   phik
     #   seaborn
     #   visions
-pillow==8.1.0
+pandas-profiling==3.2.0
+    # via -r requirements.in
+phik==0.12.2
+    # via pandas-profiling
+pillow==9.2.0
     # via
     #   bokeh
     #   imagehash
     #   matplotlib
     #   visions
-pyparsing==2.4.7
+pydantic==1.10.1
+    # via pandas-profiling
+pyparsing==3.0.9
     # via
     #   matplotlib
     #   packaging
-python-dateutil==2.8.1
+python-dateutil==2.8.2
     # via
-    #   bokeh
     #   matplotlib
     #   pandas
-pytz==2021.1
+pytz==2022.2.1
     # via pandas
-pywavelets==1.1.1
+pywavelets==1.3.0
     # via imagehash
-pyyaml==5.4.1
+pyyaml==6.0
     # via
     #   bokeh
-    #   confuse
-requests==2.25.1
+    #   pandas-profiling
+requests==2.28.1
     # via pandas-profiling
-scipy==1.6.1
+scipy==1.9.1
     # via
     #   imagehash
     #   missingno
     #   pandas-profiling
+    #   phik
     #   seaborn
-seaborn==0.11.1
+seaborn==0.11.2
     # via
     #   missingno
     #   pandas-profiling
-six==1.15.0
+six==1.16.0
     # via
-    #   cycler
     #   imagehash
     #   python-dateutil
-tangled-up-in-unicode==0.0.6
+tangled-up-in-unicode==0.2.0
     # via
     #   pandas-profiling
     #   visions
-tornado==6.1
+tornado==6.2
     # via bokeh
-tqdm==4.57.0
+tqdm==4.64.0
     # via pandas-profiling
-typing-extensions==3.7.4.3
-    # via bokeh
-urllib3==1.26.3
+typing-extensions==4.3.0
+    # via
+    #   bokeh
+    #   pydantic
+urllib3==1.26.12
     # via requests
-visions[type_image_path]==0.6.0
+visions[type_image_path]==0.7.4
     # via pandas-profiling