test

src/ssb_konjunk/dash/__init__.py

@@ -0,0 +1 @@
+"""422 dash framework."""

src/ssb_konjunk/dash/assets/indirect.css

@@ -24,4 +24,4 @@
  color: var(--secondary-color);
  margin:0px;
  font-weight: bolder;
-}
+}

src/ssb_konjunk/dash/assets/kontroller.css

@@ -8,4 +8,4 @@
     display: grid;
     columns: 1;
     gap: 20px;
-}
+}

src/ssb_konjunk/dash/assets/main.css

@@ -19,15 +19,15 @@
     padding-bottom:20px;
     padding-left:20px;
     padding-right:20px;
-    
+
 }
 
 table {
     width:100%;
 }
 
 td {
-    
+
     white-space: nowrap;
 overflow: hidden;
 text-overflow: ellipsis;
@@ -99,11 +99,11 @@ table, th, td {
 }
 
 .nav-row-container {
-    
+
     display:flex;
     flex-direction: row;
     align-items: flex-end;
-    
+
 }
 .nav-item-container{
     height: fit-content;
@@ -117,11 +117,10 @@ table, th, td {
 .nav-item {
     color: var(--main-secondary);
     font-size:18px;
-    
+
 }
 
 a.nav-item:hover {
     color: var(--main-color);
     font-size:18px
 }
-

src/ssb_konjunk/dash/assets/selector.css

@@ -1,7 +1,7 @@
 @import "main.css";
 
 .selector-option-text {
-    
+
 }
 
 .selector-option-active {
@@ -21,10 +21,10 @@
     padding-left: 6px;
 }
 .selector-container{
-    
+
     padding-left: 10px;
     border-right: 1px solid var(--main-color);
     height: 100%;
     margin-right: 10px;
     white-space: nowrap;
-}
+}

src/ssb_konjunk/dash/assets/visualize.css

@@ -40,7 +40,7 @@
 }
 
 .visualizer-dropdown-item:hover {
-    
+
 }
 
 .visualizer-nace-dropdown {
@@ -99,7 +99,7 @@
     color: white;
     }
 
-    .VirtualizedSelectOption:hover {    
+    .VirtualizedSelectOption:hover {
         background-color: var(--secondary-color);
         color:white
-    }
+    }

src/ssb_konjunk/dash/calculations/__init__.py

@@ -0,0 +1 @@
+"""functions to calculate the datasets for the dash app."""

src/ssb_konjunk/dash/calculations/calc_data.py

@@ -34,7 +34,7 @@ class DataManager:
     ------------------
     - `self.raw_source`, `self.calendar_source`, `self.season_source`, `self.weigth_source`:
     Datastrukturer for ulike måter å representere eller justere tidsserier.
-    - `get_table_X_v2(...)`: Metoder for å hente ulike tabellvarianter (1–7), hver tilpasset spesifikke analysetyper.
+    - `get_table_X_v2(...)`: Metoder for å hente ulike tabellvarianter (1-7), hver tilpasset spesifikke analysetyper.
     - Statiske hjelpefunksjoner for sortering, prosentberegning og visuell formatering.
     - Intern periodehåndtering for fleksibel datoanalyse.
 
@@ -51,7 +51,7 @@ class DataManager:
 
     """
 
-    def __init__(self, data: pd.DataFrame, *args, **kwargs):
+    def __init__(self, data: pd.DataFrame) -> None:
         """Initialiserer klassen med behandlet og strukturert tidsseriedata.
 
         Filtrerer bort spesifikke 'nar'-verdier, sorterer data, henter klassifikasjonskoder,
@@ -61,8 +61,6 @@ def __init__(self, data: pd.DataFrame, *args, **kwargs):
         Args:
             data (pd.DataFrame): Inndata som inneholder tidsseriedata, med blant annet
                 kolonnene 'nar', 'periode', 'jus', 'korr', 'ujust' og 'verdi'.
-            *args: Ekstra posisjonsargumenter (ikke i bruk).
-            **kwargs: Ekstra nøkkelordsargumenter (ikke i bruk).
         """
         nus = KlassClassification(
             classification_id="6", language="nb", include_future=False
@@ -116,7 +114,7 @@ def __init__(self, data: pd.DataFrame, *args, **kwargs):
         )
 
     @staticmethod
-    def pad_single(x):
+    def pad_single(x: str) -> str:
         """Legger inn innrykk basert på nivå i hierarkisk kode.
 
         Gitt en streng der nivåer er adskilt med bindestrek (f.eks. '1 - 1.1 - 1.1.1'),
@@ -168,7 +166,7 @@ def to_percent(
         return (weights * chg_rate) / 100
 
     @property
-    def header_1(self):
+    def header_1(self) -> list[str]:
         """Lister standardkolonner for visning i tabelloversikt.
 
         Returns:
@@ -186,7 +184,7 @@ def get_nacer(self) -> list[str]:
         """
         return self.data["nar"].unique().tolist()  # pyright: ignore
 
-    def add_klass_codes(self, data: pd.DataFrame, on: str):
+    def add_klass_codes(self, data: pd.DataFrame, on: str) -> pd.dataframe:
         """Legger til klassifikasjonsnavn til et datasett basert på en spesifisert kolonne.
 
         Slår opp koder fra `self.class_codes` og legger til fullstendige navn i en ny kolonne,
@@ -258,7 +256,7 @@ def get_all_periods(self) -> list[str]:
         """
         return [item.as_period() for item in self.periods.create_period_range(12)]
 
-    def format_aggregates(self, data: pd.Series):
+    def format_aggregates(self, data: pd.Series) -> pd.series:
         """Formaterer hierarkiske aggregeringskoder med innrykk.
 
         Bruker `pad_single` for å legge til visuelt innrykk basert på hierarkinivå

src/ssb_konjunk/dash/calculations/helper_functions.py

@@ -1,4 +1,3 @@
-import datetime
 from datetime import date
 from datetime import datetime
 from typing import Literal
@@ -8,23 +7,23 @@
 import polars as pl
 
 
-def monthdelta(d1: datetime, d2: datetime):
-    """Finner differansen mellom to måneder"""
+def monthdelta(d1: datetime, d2: datetime) -> int:
+    """Finner differansen mellom to måneder."""
     d1_ = pendulum.instance(d1)
     d2_ = pendulum.instance(d2)
     return (d1_ - d2_).in_months()
 
 
 def parse_period(period: str) -> datetime:
-    """Parser en periode til datetime"""
+    """Parser en periode til datetime."""
     return datetime.strptime(period, "%Y-%m")
 
 
 def multi_join(
     dfs: list[pl.DataFrame],
     on: str,
     how: Literal["left", "right", "inner", "cross", "semi", "anti"] = "left",
-):
+) -> pl.DataFrame:
     """Slår sammen flere Polars DataFrames sekvensielt på en spesifisert kolonne.
 
     Utfører en kjedet sammenslåing (join) av flere DataFrames i en gitt liste basert på én felles kolonne.
@@ -46,6 +45,8 @@ def multi_join(
 
 
 class DataSource:
+    """Representerer en datakilde tilrettelagt for tidsbasert analyse og gruppering."""
+
     def __init__(
         self,
         data: pl.DataFrame,
@@ -136,7 +137,7 @@ def _gen_header(self, n: int, skip: int = 0):
         oldest: datetime = dates[-1 - ((n * skip) + n)]
         return f"{self._create_date(oldest)} - {self._create_date(latest)}"
 
-    def _base(self, n: int, *agg, **named_aggs):
+    def _base(self, n: int, *agg: pl.Expr, **named_aggs: pl.Expr):
         """Utfører aggregering over dynamiske tidsvinduer og grupper.
 
         Args:
@@ -156,7 +157,9 @@ def _base(self, n: int, *agg, **named_aggs):
             .agg(*agg, **named_aggs)
         )
 
-    def _base_w_header(self, n: int, skip: int = 0, *agg, **named_aggs):
+    def _base_w_header(
+        self, n: int, skip: int = 0, *agg: pl.Expr, **named_aggs: pl.Expr
+    ):
         """Genererer en overskrift for perioden og returnerer resultatet fra baseaggregering.
 
         Kombinerer datoperiode-headeren med aggregerte resultater fra `_base`.
@@ -208,7 +211,7 @@ def n_month_percent(self, n: int, skip: int = 0) -> tuple[str, pl.DataFrame]:
             },
         )
 
-    def n_percent_rolling(self, n: int, skip: int = 0):
+    def n_percent_rolling(self, n: int, skip: int = 0) -> pl.DataFrame:
         """Beregner rullerende prosentvis endring over en periode og returnerer med datoperiode-header.
 
         Denne metoden bruker en rullerende tidsvinduanalyse for å beregne prosentvis endring
@@ -225,14 +228,14 @@ def n_percent_rolling(self, n: int, skip: int = 0):
         """
 
         def _gen_header(n: int, skip: int = 0):
-            """Lager overskrift for hver perioden"""
+            """Lager overskrift for hver perioden."""
             dates = self.data.get_column(self._date).unique().sort()
             latest: datetime = dates[-1 - (skip)]
             oldest: datetime = dates[-1 - ((skip) + n - 1)]
             return f"{self._create_date(oldest)} - {self._create_date(latest)}"
 
         def map_test(x: pl.DataFrame):
-            """Lager det rullende gjennomsnittet for hver periodegruppe"""
+            """Lager det rullende gjennomsnittet for hver periodegruppe."""
             if x.shape[0] != n:
                 x = x.with_columns(
                     **{self._avg: pl.col(self._col).fill_null(strategy="backward")}
@@ -261,7 +264,7 @@ def map_test(x: pl.DataFrame):
             .explode(self._avg)
         )
 
-    def n_mean_rolling(self, n: int, skip: int = 0):
+    def n_mean_rolling(self, n: int, skip: int = 0) -> pl.DataFrame:
         """Beregner et rullerende gjennomsnitt for hver gruppe i datasettet og returnerer med datoperiode-header.
 
         Denne metoden beregner gjennomsnittet av verdiene innenfor et rullerende vindu på `n` måneder.
@@ -278,14 +281,14 @@ def n_mean_rolling(self, n: int, skip: int = 0):
         """
 
         def _gen_header(n: int, skip: int = 0):
-            """Lager overskrift for hver perioden"""
+            """Lager overskrift for hver perioden."""
             dates = self.data.get_column(self._date).unique().sort()
             latest: datetime = dates[-1 - (skip)]
             oldest: datetime = dates[-1 - ((skip) + n - 1)]
             return f"{self._create_date(oldest)} - {self._create_date(latest)}"
 
         def map_test(x: pl.DataFrame):
-            """Lager det rullende gjennomsnittet for hver periodegruppe"""
+            """Lager det rullende gjennomsnittet for hver periodegruppe."""
             if x.shape[0] != n:
                 x = x.with_columns(
                     **{self._avg: pl.col(self._col).fill_null(strategy="backward")}
@@ -374,14 +377,35 @@ def n_month_percent_compare(
         return header, joined
 
 
-def rounded_average(df: pd.DataFrame, ordered_columns: list[str]):
+def rounded_average(df: pd.DataFrame, ordered_columns: list[str]) -> pd.Series:
+    """Beregner gjennomsnitt per rad for utvalgte kolonner, avrundet til én desimal.
+
+    Args:
+        df (pd.DataFrame): DataFrame med data.
+        ordered_columns (list[str]): Liste med kolonnenavn som skal inkluderes i gjennomsnittet.
+
+    Returns:
+        pd.Series: Gjennomsnitt per rad, avrundet til én desimal.
+    """
     df_copy = df[ordered_columns]
     df_copy = df_copy.round(1)
     res = df_copy.sum(axis="columns").div(len(ordered_columns))
     return res.round(1)
 
 
-def calc_change_rate(df: pd.DataFrame, ordered_columns: list[str], n: int = 1):
+def calc_change_rate(
+    df: pd.DataFrame, ordered_columns: list[str], n: int = 1
+) -> pd.dateframe:
+    """Beregner prosentvis endring mellom kolonner over n perioder.
+
+    Args:
+        df (pd.DataFrame): DataFrame med data.
+        ordered_columns (list[str]): Liste med kolonnenavn i rekkefølge.
+        n (int, optional): Antall perioder tilbake for endringsberegning. Defaults to 1.
+
+    Returns:
+        pd.DataFrame: Prosentvis endring per rad for hver kolonne (fra n. kolonne og fremover).
+    """
     results = []
     for i in range(n, len(ordered_columns), 1):
         col_present = ordered_columns[i]
@@ -392,7 +416,16 @@ def calc_change_rate(df: pd.DataFrame, ordered_columns: list[str], n: int = 1):
     return pd.concat(results, axis="columns", keys=ordered_columns[n:])
 
 
-def rolling_change_rate(df: pd.DataFrame, step: int = 1):
+def rolling_change_rate(df: pd.DataFrame, step: int = 1) -> pd.dateframe:
+    """Beregner rullende prosentvis endring mellom kolonner med gitt steg.
+
+    Args:
+        df (pd.DataFrame): DataFrame med kolonner som representerer perioder.
+        step (int, optional): Antall kolonner å hoppe over for å beregne endring. Defaults to 1.
+
+    Returns:
+        pd.DataFrame: Prosentvis endring per rad, med kolonner fra `step` og fremover.
+    """
     results = []
     for i in range(step, len(df.columns), step):
         col_present = df.columns[i]