translating french comments and strings

src/types_analyses_bio/event_core_event_file.py

@@ -13,6 +13,7 @@
 
 def event_core_event_file(data, colonne_jeu_donnees, nombre_rangees):
     #filtrer les champs présent dans le jeu de données et créer un tableau
+    #filters the fields present in the dataset and creates a table
     col_analyse = {
         'Nom du champ / Field name': ["datasetid","decimallatitude","decimallongitude","eventdate","eventid","footprintwkt","locationid"],
         'Nécéssaire ou optionnel / Necessary or optionnal': ["Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Optionnel / Optionnal"],
@@ -25,16 +26,19 @@ def event_core_event_file(data, colonne_jeu_donnees, nombre_rangees):
     colonne_analyse.sort_values(by='Présence/Presence ou/or absence', ascending=True, inplace=True)
 
     # liste de champs présents dans le jeu de données
+    #lists the fields present in the dataset
     liste_format = colonne_analyse[colonne_analyse['Présence/Presence ou/or absence']=='Présent/Present']['Nom du champ / Field name']
     liste_format = list(liste_format)
 
     # liste des différences entre le tableau des champs nécessaires/optionnels présents et tous les champs présents dans le jeu de données
+    # lists the differences between the table of required/optional fields AND the fields give in the dataset
     colonnes_extra = list(set(colonne_jeu_donnees) - set(liste_format))
     colonnes_extra = sorted(colonnes_extra)
     if len(colonnes_extra) == 0:
         colonnes_extra = ['aucune colonne / no column']
 
     #section servant à rouler les fonctions de validation pour les colonnes présentes dans le jeu de données
+    #this section tests the validation functions for the columns given in the dataset
     liste_affichage = []
     if 'datasetid' in liste_format:
         datasetid = datasetid_fonction(data)
@@ -62,5 +66,6 @@ def event_core_event_file(data, colonne_jeu_donnees, nombre_rangees):
 
 
     # section retournant le tableau d'analyse du format ainsi que les retours des fonctions des champs présents
+    # section returns the format analysis table as well as the outputs from the field presence functions
     return table_format_analysis(colonne_analyse, colonnes_extra, liste_affichage, nombre_rangees)
 

src/types_analyses_bio/event_core_occurence_file.py

@@ -82,4 +82,5 @@ def event_core_occurence_file(data, colonne_jeu_donnees, nombre_rangees):
 
 
     # section retournant le tableau d'analyse du format ainsi que les retours des fonctions des champs présents
+    # this section returns the format analysis table as well as the function outputs for field presence
     return table_format_analysis(colonne_analyse, colonnes_extra, liste_affichage, nombre_rangees)

src/types_analyses_bio/occurence_core_occurence_file.py

@@ -20,6 +20,7 @@
 
 def occurence_core_occurence_file(data, colonne_jeu_donnees, nombre_rangees):
     #filtrer les champs présent dans le jeu de données
+    #filter the fields given in the dataset
     col_analyse = {
         'Nom du champ / Field name': ["basisofrecord", "datasetid","decimallatitude", "decimallongitude", "eventdate", "occurrenceid", "occurrencestatus", "scientificname","scientificnameid", "taxonid","footprintwkt","locationID", "organismquantity", "organismquantitytype"],
         'Nécéssaire ou optionnel / Necessary or optionnal': ["Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Nécéssaire / Necessary","Optionnel / Optionnal","Optionnel / Optionnal","Optionnel / Optionnal","Optionnel / Optionnal"],
@@ -32,16 +33,20 @@ def occurence_core_occurence_file(data, colonne_jeu_donnees, nombre_rangees):
     colonne_analyse.sort_values(by='Présence/Presence ou/or absence', ascending=True, inplace=True)
 
     # liste de champs présents dans le jeu de données
+    # list of fields presented in the data set
     liste_format = colonne_analyse[colonne_analyse['Présence/Presence ou/or absence']=='Présent/Present']['Nom du champ / Field name']
     liste_format = list(liste_format)
 
     # liste des différences entre le tableau des champs nécessaires/optionnels présents et tous les champs présents dans le jeu de données
+    #listing the differences between the table of required/optional fields AND the fields given in the dataset
     colonnes_extra = list(set(colonne_jeu_donnees) - set(liste_format))
     colonnes_extra = sorted(colonnes_extra)
     if len(colonnes_extra) == 0:
         colonnes_extra = ['aucune colonne / no column']
 
     #section servant à rouler les fonctions de validation pour les colonnes présentes dans le jeu de données
+    #this section tests the validation functions for the columns given in the dataset
+
     liste_affichage = []
     if 'basisofrecord' in liste_format:
         basisofrecord = basisofrecord_fonction(data)
@@ -92,6 +97,7 @@ def occurence_core_occurence_file(data, colonne_jeu_donnees, nombre_rangees):
         liste_affichage.append(locationid) 
 
     # S'assure que si organismquantitytype ou organismquantity est présent, l'autre l'est aussi
+    # Confirming that if one of organismquantitytype or organismquantity is present, the other is too
     organismQuantityEtType = AfficheSiOrganismQuantityEtTypeSontPresent(liste_format)
     if organismQuantityEtType is not None:
         liste_affichage.append(organismQuantityEtType) 
@@ -102,4 +108,5 @@ def occurence_core_occurence_file(data, colonne_jeu_donnees, nombre_rangees):
 
 
     # section retournant le tableau d'analyse du format ainsi que les retours des fonctions des champs présents
+    # section returns the format analysis table as well as the output from the field presence functions
     return table_format_analysis(colonne_analyse, colonnes_extra, liste_affichage, nombre_rangees)

src/types_analyses_bio/table_format_analysis.py

@@ -10,14 +10,17 @@ def table_format_analysis(colonne_analyse, colonnes_extra, liste_affichage, nomb
 
     un = "Les données des champs validés comme 'Présent' dans le tableau précédent sont analysées dans cette section. / Data from fields validated as 'Present' in the previous table are analyzed in this section."
     deux = f"Pour référence, il y a {nombre_rangees} rangées  dans le jeu de données. / For reference, there are {nombre_rangees} rows in this dataset."
+    #trad
 
     liste_item = [un, deux]
 
     # section retournant le tableau d'analyse du format ainsi que les retours des fonctions des champs présents
+    # this section returns the format analysis table as well as the output for the field presence functions
     return html.Div([
         html.H3("Validation de format / Format validation:"),
         html.H6("La présence des champs attendus pour un type d'analyse et de fichier est analysé ici-bas:"),
         html.H6("The presence of the expected fields for a type of analysis and file is analyzed below:"),
+        #trad
 
         dash_table.DataTable(data=
         colonne_analyse.to_dict('records'),id={'type': 'colonne_analyse'},
@@ -33,6 +36,7 @@ def table_format_analysis(colonne_analyse, colonnes_extra, liste_affichage, nomb
         html.P(''),
         html.H6("Les colonnes suivantes font parties du jeu de données et ne sont pas prise en compte dans le tableau précédent:"),
         html.H6("The following columns are part of the dataset and are not taken into account in the previous table:"),
+        #trad
 
         html.Ul([html.Li(x) for x in colonnes_extra]),
         html.P(''),

src/validations_bio/decimal_coordinates_fonction.py

@@ -12,19 +12,22 @@ def decimal_coordinates_fonction(data):
     colonne1 = "decimallatitude"
     colonne2 = "decimallongitude"
 
-    # obtenir les valeurs qui ne correspondent pas en terme de chiffre à des latitudes et longitudes
+    # obtenir les valeurs qui ne sont pas dans les limites données des latitudes et longitudes
+    # get the values that are not within the given bounds for latitude and longitude
     latitudes_non_valides = data1.loc[(data1[colonne1].gt(90)) | (data1[colonne1].lt(-90)) ]
     longitudes_non_valides = (data1.loc[(data1[colonne2].gt(180)) | (data1[colonne2].lt(-180))]) 
     frames = [latitudes_non_valides, longitudes_non_valides]
     coordonees_non_valides = pd.concat(frames)
 
-        # on garde les colonnes de coordonnées et la colonne d'id et on se débarasse des duplicata
+        # on garde les colonnes de coordonnées et la colonne d'id et on se débarasse des duplicats
+        # keep the coordinate columns and the id column and remove the duplicates
     latitude_colonne  =  coordonees_non_valides.columns.get_loc(colonne1)
     longitude_colonne =  coordonees_non_valides.columns.get_loc(colonne2)
     coordonees_non_valides = coordonees_non_valides.iloc[:,[0,latitude_colonne, longitude_colonne]]
     coordonees_non_valides.drop_duplicates(inplace=True)
 
     # obtenir les valeurs de latitudes et de longitudes entre -90 et 90 degrés et -180 et 180 degrés
+    # get the latitude and longitude values between -90 and 90 / -180 and 180 degrees
     coordonnees_valides = data1[data1[colonne1].between(-90,90) & data1[colonne2].between(-180,180)]
 
     def afficher_tableau_coordo_non_valides(coordonees_non_valides):
@@ -64,6 +67,7 @@ def afficher_phrase_coordo_valides(coordonees_non_valides):
 
 
     # affichage de la carte
+    # print map
     centre_long =.5*(max(np.asarray(np.float64(coordonnees_valides[colonne2]).tolist())) + min(np.asarray(np.float64(coordonnees_valides[colonne2]).tolist())))
     centre_lat = .5*(max(np.asarray(np.float64(coordonnees_valides[colonne1]).tolist())) + min(np.asarray(np.float64(coordonnees_valides[colonne1]).tolist())))
     height = max(np.asarray(np.float64(coordonnees_valides[colonne1]).tolist())) - min(np.asarray(np.float64(coordonnees_valides[colonne1]).tolist()))
@@ -75,7 +79,7 @@ def afficher_phrase_coordo_valides(coordonees_non_valides):
                     fp=[12,        9.5,    6,     4,   2,     1])
     print('centre lat: ', centre_lat) 
     print('centre lon: ', centre_long) 
-    print('aire: ', area)
+    print('aire/ area: ', area)
     print('zoom : ', zoom)
 
     fig = go.Figure(go.Scattermapbox(

src/validations_bio/decimal_coordinates_fonction_avec_nom.py

@@ -17,19 +17,22 @@ def decimal_coordinates_fonction_avec_nom(data, colonne1, colonne2, colonne3):
     data1.astype({colonne1: 'float64'}).dtypes
     print(data1[colonne1].dtypes)
 
-    # obtenir les valeurs qui ne correspondent pas en terme de chiffre à des latitudes et longitudes
+    # obtenir les valeurs qui ne sont pas dans les limites données des latitudes et longitudes
+    # get the values that are not within the given bounds for latitude and longitude
     latitudes_non_valides = data1.loc[(data1[colonne1].gt(90)) | (data1[colonne1].lt(-90)) ]
     longitudes_non_valides = (data1.loc[(data1[colonne2].gt(180)) | (data1[colonne2].lt(-180))]) 
     frames = [latitudes_non_valides, longitudes_non_valides]
     coordonees_non_valides = pd.concat(frames)
 
         # on garde les colonnes de coordonnées et la colonne d'id et on se débarasse des duplicata
+        # keep the coordiante columns and the id column and remove the duplicates
     latitude_colonne  =  coordonees_non_valides.columns.get_loc(colonne1)
     longitude_colonne =  coordonees_non_valides.columns.get_loc(colonne2)
     coordonees_non_valides = coordonees_non_valides.iloc[:,[0,latitude_colonne, longitude_colonne]]
     coordonees_non_valides.drop_duplicates(inplace=True)
 
     # obtenir les valeurs de latitudes et de longitudes entre -90 et 90 degrés et -180 et 180 degrés
+    # get the latitude and longitude values between -90 and 90 / -180 and 180 degrees
     coordonnees_valides = data1[data1[colonne1].between(-90,90) & data1[colonne2].between(-180,180)]
 
     def afficher_tableau_coordo_non_valides(coordonees_non_valides):
@@ -68,6 +71,7 @@ def afficher_phrase_coordo_valides(coordonees_non_valides):
         liste_affichage1.append(afficher_phrase_coordo_valides(coordonees_non_valides))
 
     # affichage de la carte
+    # print the map
     centre_long =.5*(max(np.asarray(np.float64(coordonnees_valides[colonne2]).tolist())) + min(np.asarray(np.float64(coordonnees_valides[colonne2]).tolist())))
     centre_lat = .5*(max(np.asarray(np.float64(coordonnees_valides[colonne1]).tolist())) + min(np.asarray(np.float64(coordonnees_valides[colonne1]).tolist())))
     height = max(np.asarray(np.float64(coordonnees_valides[colonne1]).tolist())) - min(np.asarray(np.float64(coordonnees_valides[colonne1]).tolist()))
@@ -79,7 +83,7 @@ def afficher_phrase_coordo_valides(coordonees_non_valides):
                     fp=[12,        9.5,    6,     4,   2,     1])
     print('centre lat: ', centre_lat) 
     print('centre lon: ', centre_long) 
-    print('aire: ', area)
+    print('aire / area: ', area)
     print('zoom : ', zoom)
 
     fig = go.Figure(go.Scattermapbox(
@@ -102,7 +106,7 @@ def afficher_phrase_coordo_valides(coordonees_non_valides):
 
 
         html.Div(children=[liste_affichage1[i] for i in range(len(liste_affichage1))]),
-        html.H6("Coordonnées géographiques / Geographical coordinates:"),
+        html.H6("Coordonnées géographiques / Geographic coordinates:"),
         dcc.Graph(figure=fig),
 
         ])

src/validations_bio/sub_routines/analysis_function.py

@@ -3,6 +3,7 @@
 NaN = np.nan
 
 # fonction qui permet de vérifier le match des colonnes de noms scientifiques mais en enlevant les suffixes d'une des colonnes
+# this function verifies the comparison between the scientific name columns, but removes the suffixes from one of the columns
 def exact_match_suffix(a, b):
     if a == b:
         return "Oui/Yes"
@@ -28,6 +29,7 @@ def exact_match_suffix(a, b):
         return "Non/no"
 
 # fonction qui permet de vérifier le match des colonnes
+# verifying if the columns match
 def exact_match(a, b):
     if a == b:
         return "Oui/Yes"
@@ -37,6 +39,7 @@ def exact_match(a, b):
 
 def names_analyse(data_valid_scientific_name):
     # Comparaison des noms scientifiques du serveur vs. ceux du jeu de données initial
+    # compare the scientific names from the server to the names in the initial dataset
     data_valid_scientific_name['Exact_Match'] = np.vectorize(exact_match_suffix)(data_valid_scientific_name["scientificname"], data_valid_scientific_name['Valid_Name'] )
     return data_valid_scientific_name
 
@@ -45,23 +48,28 @@ def names_ids_analyse(data_valid_scientific_name, data):
     data_valid_scientific_name['Exact_Match'] = np.vectorize(exact_match_suffix)(data_valid_scientific_name["scientificname"], data_valid_scientific_name['Valid_Name'] )
 
     # Préparation du tableau de comparaison des noms scientifiques, rangs taxonimique et LSID (si applicable)
+    # preps a comparison table for the scientificnames, taxa, and LSID (if applicable)
     data_cross_validation = data.copy()
     data_cross_validation = data_cross_validation[['occurrenceid','scientificname','scientificnameid',]]
     header_list1 = ['occurrenceid', 'scientificname','scientificnameid', 'ScientificName_V', 'scientificNameID_V'] 
     data_cross_validation = data_cross_validation.reindex(columns = header_list1) 
     data_cross_validation= data_cross_validation.iloc[:, [0,3,4,1,2]]
 
     # création d'une colonne avec autre nom afin de pouvoir la comparer à une autre colonne
+    # create a column with other name in order to compare between two values
     data_valid_scientific_name['scientificname2'] = data_valid_scientific_name['scientificname']
 
     # Merge du tableau des noms et du tableau des noms, rangs taxonomiques et LSID
+    # merge name table with name, taxa and LSID table
     data_cross_validation = data_cross_validation.merge(data_valid_scientific_name[['Valid_Name','LSID','scientificname2']],how='left',left_on='scientificname', right_on='scientificname2' )
 
     # Vérification des colonnes pour fin de validation
+    # verify columns for final validation
     data_cross_validation['ScientificName_V'] = np.vectorize(exact_match_suffix)(data_cross_validation["scientificname"], data_cross_validation['Valid_Name'] )
     data_cross_validation['scientificNameID_V'] = np.vectorize(exact_match)(data_cross_validation["scientificnameid"], data_cross_validation['LSID'] )
 
     # classer les valeurs par validité
+    # classify the validation values
     data_valid_scientific_name.sort_values(by='Exact_Match', ascending=True, inplace=True)
     data_cross_validation.sort_values(by=['ScientificName_V', 'scientificNameID_V'], ascending=True, inplace=True)
 
@@ -71,28 +79,34 @@ def names_ids_analyse(data_valid_scientific_name, data):
 
 def names_taxons_ids_analyse(data_valid_scientific_name, data):
     # Comparaison des noms scientifiques du serveur vs. ceux du jeu de données initial
+    # compare the scientific names from the server to those in the initial dataset
     data_valid_scientific_name['Exact_Match'] = np.vectorize(exact_match_suffix)(data_valid_scientific_name["scientificname"], data_valid_scientific_name['Valid_Name'] )
 
     # Préparation du tableau de comparaison des noms scientifiques, rangs taxonimique et LSID (si applicable)
+    # preps a comparison table for scientific names, taxa ranges and LSID (if applicable)
     data_cross_validation = data.copy()
     data_cross_validation = data_cross_validation[['occurrenceid','scientificname','taxonrank','scientificnameid',]]
     header_list1 = ['occurrenceid', 'scientificname','taxonrank','scientificnameid', 'ScientificName_V', 'TaxonRank_V', 'scientificNameID_V'] 
     data_cross_validation = data_cross_validation.reindex(columns = header_list1) 
     data_cross_validation= data_cross_validation.iloc[:, [0,4,5,6,1,2,3]]
 
     # création d'une colonne avec autre nom afin de pouvoir la comparer à une autre colonne
+    # creates a column with second name, for comparing the two values
     data_valid_scientific_name['scientificname2'] = data_valid_scientific_name['scientificname']
 
     # Merge du tableau des noms et du tableau des noms, rangs taxonomiques et LSID
+    # merge the name table with the name, taxa range and LSID table
     data_cross_validation = data_cross_validation.merge(data_valid_scientific_name[['Valid_Name','Taxon_Rank','LSID','scientificname2']],how='left',left_on='scientificname', right_on='scientificname2' )
 
     # Vérification des colonnes pour fin de validation
+    # Verification of columns for the final validation
     data_cross_validation['ScientificName_V'] = np.vectorize(exact_match_suffix)(data_cross_validation["scientificname"], data_cross_validation['Valid_Name'] )
     data_cross_validation['TaxonRank_V'] = np.vectorize(exact_match)(data_cross_validation["taxonrank"], data_cross_validation['Taxon_Rank'] )
     data_cross_validation['scientificNameID_V'] = np.vectorize(exact_match)(data_cross_validation["scientificnameid"], data_cross_validation['LSID'] )
 
 
     # classer les valeurs par validité
+    # classify the values based on validation
     data_valid_scientific_name.sort_values(by='Exact_Match', ascending=True, inplace=True)
     data_cross_validation.sort_values(by=['ScientificName_V', 'TaxonRank_V','scientificNameID_V'], ascending=True, inplace=True)