cleaned comments and alignments

examples/KWK_process.py

@@ -141,7 +141,7 @@
             ax1.plot(yearmeanHW['values'],'+g', zorder=0)
             ax1.plot(yearmeanLW['values'],'+g', zorder=0)
             ax1.plot(yearmeanwl['values'],'+g',label='yearmean validation', zorder=0)
-        ax1.legend(loc=2)
+            ax1.legend(loc=2)
 
         fig1.savefig(os.path.join(dir_slotgem,f'yearly_values_{current_station}'))
 
@@ -227,12 +227,12 @@
 
 
     ###OVERSCHRIJDINGSFREQUENTIES
-    #TODO: SLR trend correctie voor overschrijdingsfrequenties en evt ook voor andere KW?
-    #TODO: resulting freqs seem to be shifted w.r.t. getijtafelboekje (mail PH 9-3-2022)
-    #plots beoordelen: rode lijn moet ongeveer verlengde zijn van groene, als die ineens omhoog piekt komt dat door hele extreme waardes die je dan vermoedelijk ook al ziet in je groene lijn
+    # TODO: SLR trend correctie voor overschrijdingsfrequenties en evt ook voor andere KW?
+    # TODO: resulting freqs seem to be shifted w.r.t. getijtafelboekje (mail PH 9-3-2022)
+    # plots beoordelen: rode lijn moet ongeveer verlengde zijn van groene, als die ineens omhoog piekt komt dat door hele extreme waardes die je dan vermoedelijk ook al ziet in je groene lijn
 
-    Tfreqs_interested = [5, 2, 1, 1/2, 1/5, 1/10, 1/20, 1/50, 1/100, 1/200, #overschrijdingsfreqs
-                         1/500, 1/1000, 1/2000, 1/4000, 1/5000, 1/10000] #TODO: which frequencies are realistic with n years of data? probably remove this entire row >> met 40 jaar data kun je in principe tot 1/40 gaan, maar met weibull kun je extrapoleren en in theorie >> dit is voor tabel die je eruit wil hebben
+    Tfreqs_interested = [5, 2, 1, 1/2, 1/5, 1/10, 1/20, 1/50, 1/100, 1/200,
+                         1/500, 1/1000, 1/2000, 1/4000, 1/5000, 1/10000]
 
     if compute_overschrijding and data_pd_HWLW_all is not None:
         print(f'overschrijdingsfrequenties for {current_station}')

kenmerkendewaarden/data_retrieve.py

@@ -217,7 +217,7 @@ def xarray_to_hatyan(ds):
     if "HWLWcode" in ds.data_vars:
         df["HWLWcode"] = ds["HWLWcode"]
 
-    # convert timezone back to UTC+1 # TODO: add testcase
+    # convert timezone back to UTC+1
     df.index = df.index.tz_localize("UTC").tz_convert("Etc/GMT-1")
 
     # add attrs

kenmerkendewaarden/tidalindicators.py

@@ -31,8 +31,8 @@ def calc_HWLWtidalindicators(df_ext, min_coverage:float = None):
     ----------
     data_pd_HWLW_all : TYPE
         DESCRIPTION.
-     min_coverage : float, optional
-         The minimum percentage (from 0 to 1) of timeseries coverage to consider the statistics to be valid. The default is None.
+    min_coverage : float, optional
+        The minimum percentage (from 0 to 1) of timeseries coverage to consider the statistics to be valid. The default is None.
 
     Returns
     -------

tests/test_tidalindicators.py

@@ -44,11 +44,11 @@ def test_calc_HWLWtidalindicators(df_meas_2010_2014):
 
 @pytest.mark.unittest
 def test_calc_wltidalindicators_mincount(df_meas_2010_2014):
+    # create dataset with a gap
     df_meas_withgap = df_meas_2010_2014.copy() # copy to prevent altering the original dataset
     df_meas_withgap.loc["2012-01-01":"2012-01-15", "values"] = np.nan
     df_meas_withgap.loc["2012-01-01":"2012-01-15", "qualitycode"] = 99
 
-    # create dataset with a gap
     slotgemiddelden_dict_nogap = kw.calc_wltidalindicators(df_meas_2010_2014, min_coverage=1)
     slotgemiddelden_dict_withgap = kw.calc_wltidalindicators(df_meas_withgap, min_coverage=1)
     slotgemiddelden_dict_withgap_lower_threshold = kw.calc_wltidalindicators(df_meas_withgap, min_coverage=0.95)