Amélioration nommencalature moyenne (état intermédiaire)

app/pe/moys/pe_interclasstag.py

@@ -152,11 +152,14 @@ class InterClassTag(pe_tabletags.TableTag):
             aff = pe_affichage.repr_profil_coeffs(coeffs, with_index=True)
             pe_affichage.pe_print(f"--> Moyenne 👜{tag} avec coeffs: {aff} ")
 
+            infos = {"aggregat": self.nom_rcs, "cohorte": pe_moytag.CHAMP_PROMO}
+
             self.moyennes_tags[tag] = pe_moytag.MoyennesTag(
                 tag,
                 self.type,
                 notes_gen,
                 coeffs,  # limite les moyennes aux étudiants de la promo
+                infos,
             )
 
     def get_repr(self) -> str:
@@ -321,9 +324,7 @@ class InterClassTag(pe_tabletags.TableTag):
             # Charge la moyenne
             if tag in rcstag.moyennes_tags:
                 moytag: pd.DataFrame = rcstag.moyennes_tags[tag]
-                df_moytag = moytag.to_df(
+                df_moytag = moytag.to_df(options=options)
-                    aggregat=aggregat, cohorte="Groupe", options=options
-                )
 
                 # Modif les colonnes au regard du 1er df_moytag significatif lu
                 if not initialisation:

app/pe/moys/pe_moy.py

@@ -20,21 +20,30 @@ class Moyenne:
 
     @classmethod
     def get_colonnes_synthese(cls, with_min_max_moy):
+        """Renvoie le nom des colonnes à prendre en compte pour la génération
+        d'un dataFrame résumant les données d'un objet pe_moy.Moyenne"""
         if with_min_max_moy:
             return ["note", "rang", "min", "max", "moy"]
         else:
             return ["note", "rang"]
 
-    def __init__(self, notes: pd.Series):
+    def __init__(self, notes: pd.Series, infos: dict[str]):
-        """Classe centralisant la synthèse des moyennes/classements d'une série
+        """Classe centralisant la synthèse des moyennes/class/stat d'une série
-        de notes :
+        de notes pour un groupe d'étudiants (déduits des notes).
 
-        * des "notes" : la Serie pandas des notes (float),
+        Sont génerés des Séries/DataFrame donnant :
-        * des "classements" : la Serie pandas des classements (float),
+
-        * des "min" : la note minimum,
+        * les "notes" : notes (float),
-        * des "max" : la note maximum,
+        * des "classements" : classements (float),
-        * des "moy" : la moyenne,
+        * des "min" : la note minimum sur tout le groupe d'étudiants,
-        * des "nb_inscrits" : le nombre d'étudiants ayant une note,
+        * des "max" : la note maximum sur tout le groupe d'étudiants,
+        * des "moy" : la moyenne des notes sur tout le groupe d'étudiants,
+        * des "nb_inscrits" : le nombre d'étudiants ayant une note (non NaN)
+
+        Args:
+            notes: Une (pandas.)Série de notes
+            infos: Un dictionnaire donnant les informations sur la moyenne (aggrégat,
+                   tag, intitule, cohorte, groupe)
         """
         self.notes = notes
         """Les notes"""
@@ -44,9 +53,28 @@ class Moyenne:
         """Les id des étudiants dont la note est non nan/renseignée"""
         self.df: pd.DataFrame = self.comp_moy_et_stat(self.notes)
         """Le dataframe retraçant les moyennes/classements/statistiques"""
+        self.infos = {
+            "aggregat": infos["aggregat"],
+            "tag": infos["tag"],
+            "intitule": infos["intitule"],
+            "cohorte": infos["cohorte"],
+        }
+        """Dictionnaire donnant des informations sur la note (aggrégat, cohorte, tag, type_de_moyenne)"""
         # self.synthese = self.to_dict()
         # """La synthèse (dictionnaire) des notes/classements/statistiques"""
 
+    def __repr__(self):
+        """Représentation textuelle d'un objet Moyenne
+        sur la base de ses `infos`.
+        """
+        repr = get_repr(
+            self.infos["aggregat"],
+            self.infos["tag"],
+            self.infos["intitule"],
+            self.infos["cohorte"],
+        )
+        return f"Moyenne {repr}"
+
     def comp_moy_et_stat(self, notes: pd.Series) -> dict:
         """Calcule et structure les données nécessaires au PE pour une série
         de notes (pouvant être une moyenne d'un tag à une UE ou une moyenne générale
@@ -103,14 +131,29 @@ class Moyenne:
         return df
 
     def to_df(self, with_min_max_moy=None):
-        """Renvoie le df de synthèse, en limitant les colonnes à celles attendues
+        """Renvoie le df de synthèse (tel qu'attendu dans les exports Excel),
-        (dépendantes de l'option `with_min_max_moy`)
+        en limitant les colonnes à celles attendues (dépendantes de l'option
+        ``with_min_max_moy``)
         """
         colonnes_synthese = Moyenne.get_colonnes_synthese(
             with_min_max_moy=with_min_max_moy
         )
+        # Copie le df modélisant les données
         df = self.df[colonnes_synthese].copy()
         df["rang"] = df["rang"].replace("nan", "")
+
+        # Remplace les noms de colonnes par leur intitulé dans le tableur excel
+        cols = []
+        for critere in colonnes_synthese:
+            nom_col = get_colonne_df(
+                self.infos["aggregat"],
+                self.infos["tag"],
+                self.infos["intitule"],  # UEs ou compétences
+                self.infos["cohorte"],
+                critere,
+            )
+            cols += [nom_col]
+        df.columns = cols
         return df
 
     def to_json(self) -> dict:
@@ -122,3 +165,39 @@ class Moyenne:
     def has_notes(self) -> bool:
         """Indique si la moyenne est significative (c'est-à-dire à des notes) et/ou des inscrits"""
         return len(self.inscrits_ids) > 0
+
+
+def get_repr(aggregat, tag, intitule, cohorte):
+    """Renvoie une représentation textuelle "aggregat|tag|intitule|cohorte"
+    pour représenter une moyenne
+    """
+    liste_champs = []
+    if aggregat != None:
+        liste_champs += [aggregat]
+    liste_champs += [tag, intitule]
+    if cohorte != None:
+        liste_champs += [cohorte]
+    return "|".join(liste_champs)
+
+
+def get_colonne_df(aggregat, tag, intitule, cohorte, critere):
+    """Renvoie la chaine de caractère "aggregat|tag|intitule|cohorte|critere"
+    utilisé pour désigner les colonnes du df.
+
+    Args:
+        aggregat: Un nom d'aggrégat (généralement "S1" ou "3S")
+                  pouvant être optionnel (si `None`)
+        tag: Un nom de tags (par ex. "maths")
+        intitule: Un nom d'UE ou de compétences ou "Général"
+        cohorte: Une cohorte pour les interclassements (généralement
+                 Groupe ou Promo
+                 pouvant être optionnel (si `None`)
+        critere: Un critère correspondant à l'une des colonnes
+                 d'une pe_moy.Moyenne
+    Returns:
+        Une chaine de caractères indiquant les champs séparés par
+        un ``"|"``, généralement de la forme
+        "S1|maths|UE|Groupe|note"
+    """
+    liste_champs = [get_repr(aggregat, tag, intitule, cohorte), critere]
+    return "|".join(liste_champs)

app/pe/moys/pe_moytag.py

@@ -4,11 +4,14 @@ import pandas as pd
 from app import comp
 from app.comp.moy_sem import comp_ranks_series
 from app.pe.moys import pe_moy
-from app.scodoc.sco_utils import ModuleType
+from app.pe.moys.pe_moy import get_colonne_df
+import re
 
 CODE_MOY_UE = "UEs"
 CODE_MOY_COMPETENCES = "Compétences"
 CHAMP_GENERAL = "Général"  # Nom du champ de la moyenne générale
+CHAMP_GROUPE = "groupe"
+CHAMP_PROMO = "promo"
 
 
 class MoyennesTag:
@@ -18,18 +21,22 @@ class MoyennesTag:
         type_moyenne: str,
         matrice_notes: pd.DataFrame,  # etudids x UEs|comp
         matrice_coeffs: pd.DataFrame,  # etudids x UEs|comp
+        infos: dict,
     ):
-        """Classe centralisant la synthèse des moyennes/classements d'une série
+        """Classe centralisant un ensemble de moyennes/class/stat,
-        d'étudiants à un tag donné, en différenciant les notes
+        obtenu par un groupe d'étudiants, à un tag donné,
-        obtenues aux UE et au général (toutes UEs confondues)
+        en stockant les moyennes aux UEs|Compétences
+        et la moyenne générale (toutes UEs confondues).
+
 
 
         Args:
             tag: Un tag
             matrice_notes: Les moyennes (etudid x acronymes_ues|compétences)
-                               aux différentes UEs ou compétences
+                           aux différentes UEs ou compétences
             matrice_coeffs: Les coeffs (etudid x acronymes_ues|compétences)
                             aux différentes UEs ou compétences
+            infos: Informations (aggrégat, cohorte ayant servi à calculer les moyennes)
         """
         self.tag = tag
         """Le tag associé aux moyennes"""
@@ -37,6 +44,13 @@ class MoyennesTag:
         self.type = type_moyenne
         """Le type de moyennes (par UEs ou par compétences)"""
 
+        self.infos = {
+            "aggregat": infos["aggregat"],
+            "tag": tag,
+            "cohorte": infos["cohorte"],
+        }
+        """Info sur les éléments (aggrégat, cohorte) ayant servi à calculer les moyennes"""
+
         # Les moyennes par UE/compétences (ressources/SAEs confondues)
         self.matrice_notes: pd.DataFrame = matrice_notes
         """Les notes par UEs ou Compétences (DataFrame etudids x UEs|comp)"""
@@ -45,10 +59,10 @@ class MoyennesTag:
         """Les coeffs à appliquer pour le calcul des moyennes générales 
         (toutes UE ou compétences confondues). NaN si étudiant non inscrit"""
 
-        self.champs: list[str] = list(self.matrice_notes.columns)
+        self.intitules: list[str] = list(self.matrice_notes.columns)
-        """Les champs (acronymes d'UE ou compétences) renseignés dans les moyennes"""
+        """Les intitules (acronymes d'UE ou compétences) renseignés dans les moyennes"""
-        assert len(self.champs) == len(
+        assert len(self.intitules) == len(
-            set(self.champs)
+            set(self.intitules)
         ), "Des champs de moyennes en doublons"
 
         self.etudids: list[int] = list(self.matrice_notes.index)
@@ -56,10 +70,11 @@ class MoyennesTag:
 
         self.moyennes_dict: dict[str, pe_moy.Moyenne] = {}
         """Dictionnaire associant à chaque UE|Compétence ses données moyenne/class/stat"""
-        for col in self.champs:  # if ue.type != UE_SPORT:
+        for col in self.intitules:  # if ue.type != UE_SPORT:
             # Les moyennes tous modules confondus
             notes = matrice_notes[col]
-            self.moyennes_dict[col] = pe_moy.Moyenne(notes)
+            infos = self.infos | {"intitule": col}
+            self.moyennes_dict[col] = pe_moy.Moyenne(notes, infos)
 
         # Les moyennes générales (toutes UEs confondues)
         self.notes_gen = pd.Series(np.nan, index=self.matrice_notes.index)
@@ -68,7 +83,8 @@ class MoyennesTag:
             self.notes_gen = self.compute_moy_gen(
                 self.matrice_notes, self.matrice_coeffs
             )
-        self.moyenne_gen = pe_moy.Moyenne(self.notes_gen)
+        infos = self.infos | {"intitule": CHAMP_GENERAL}
+        self.moyenne_gen = pe_moy.Moyenne(self.notes_gen, infos)
         """Dataframe retraçant les moyennes/classements/statistiques général (toutes UESs confondues et modules confondus)"""
 
     def has_notes(self):
@@ -114,16 +130,13 @@ class MoyennesTag:
                 "Pb dans le calcul de la moyenne toutes UEs/compétences confondues"
             )
 
-    def to_df(
+    def to_df(self, options={"min_max_moy": True}) -> pd.DataFrame:
-        self, aggregat=None, cohorte=None, options={"min_max_moy": True}
-    ) -> pd.DataFrame:
         """Renvoie le df synthétisant l'ensemble des données connues.
-        Adapte les intitulés des colonnes aux données fournies
-        (nom d'aggrégat, type de cohorte).
 
-        Args:
+        Adapte :
-            aggregat: Le nom de l'aggrégat (éventuellement `None` si non connu)
+        * les noms des colonnes aux données fournies dans l'attribut
-            cohorte: La cohorte Groupe ou Promo (éventuellement `None` si non connue)
+          ``infos`` (nom d'aggrégat, type de cohorte).
+        * à l'option ``min_max_moy`` (limitant les colonnes)
         """
         if "min_max_moy" not in options or options["min_max_moy"]:
             with_min_max_moy = True
@@ -137,60 +150,61 @@ class MoyennesTag:
         df = pd.DataFrame(index=etudids_sorted)
 
         # Ajout des notes pour tous les champs
-        champs = list(self.champs)
+        champs = list(self.intitules)
         for champ in champs:
             moy: pe_moy.Moyenne = self.moyennes_dict[champ]
-            df_champ = moy.to_df(with_min_max_moy=with_min_max_moy)  # le dataframe
+            df_champ = moy.to_df(
-            # Renomme les colonnes
+                with_min_max_moy=with_min_max_moy
-
+            )  # le dataframe (les colonnes ayant été renommées)
-            cols = [
+            colonnes_renommees = ajout_numero_a_colonnes(
-                get_colonne_df(aggregat, self.tag, champ, cohorte, critere)
+                list(df.columns), list(df_champ.columns)
-                for critere in pe_moy.Moyenne.get_colonnes_synthese(
+            )
-                    with_min_max_moy=with_min_max_moy
+            if colonnes_renommees:
-                )
+                df_champ.columns = colonnes_renommees
-            ]
-            df_champ.columns = cols
             df = df.join(df_champ)
 
         # Ajoute la moy générale
         df_moy_gen = self.moyenne_gen.to_df(with_min_max_moy=with_min_max_moy)
-        cols = [
+        colonnes_renommees = ajout_numero_a_colonnes(
-            get_colonne_df(aggregat, self.tag, CHAMP_GENERAL, cohorte, critere)
+            list(df.columns), list(df_moy_gen.columns)
-            for critere in pe_moy.Moyenne.get_colonnes_synthese(
+        )
-                with_min_max_moy=with_min_max_moy
+        if colonnes_renommees:
-            )
+            df_moy_gen.columns = colonnes_renommees
-        ]
-        df_moy_gen.columns = cols
         df = df.join(df_moy_gen)
 
         return df
 
 
-def get_colonne_df(aggregat, tag, champ, cohorte, critere):
+def ajout_numero_a_colonnes(colonnes, colonnes_a_ajouter):
-    """Renvoie le tuple (aggregat, tag, champ, cohorte, critere)
+    """Partant d'une liste de noms de colonnes, vérifie si les noms des colonnes_a_ajouter
-    utilisé pour désigner les colonnes du df.
+    n'entre pas en conflit (aka ne sont pas déjà présent dans colonnes).
+    Si nom, renvoie `None`.
+    Si oui, propose une liste de noms de colonnes_a_ajouter dans laquelle chaque nom
+    est suivi d'un `"(X)"` (où X est un numéro choisi au regard des noms de colonnes).
+    Les noms des colonnes sont de la forme "S1|maths|UE|Groupe|note (1)"
 
-    Args:
+    Devrait être supprimé à terme, car les noms des colonnes sont théoriquement prévus pour être
-        aggregat: Un nom d'aggrégat (généralement "S1" ou "3S")
+    unique/sans doublons.
-                  pouvant être optionnel (si `None`)
-        tag: Un nom de tags (par ex. "maths")
-        champ: Un nom d'UE ou de compétences
-        cohorte: Une cohorte pour les interclassements (généralement
-                 Groupe ou Promo
-                 pouvant être optionnel (si `None`)
-        critere: Un critère correspondant à l'une des colonnes
-                 d'une pe_moy.Moyenne
-    Returns:
-        Une chaine de caractères indiquant les champs séparés par
-        un ``"|"``, généralement de la forme
-        "S1|maths|UE|Groupe|note"
     """
-    liste_champs = []
+    assert len(colonnes) == len(set(colonnes)), "Il y a déjà des doublons dans colonnes"
-    if aggregat != None:
+    colonnes_sans_numero = [col.split(" (")[0] for col in colonnes]
-        liste_champs += [aggregat]
 
-    liste_champs += [tag, champ]
+    conflits = set(colonnes_sans_numero).intersection(colonnes_a_ajouter)
-    if cohorte != None:
+    if not conflits:
-        liste_champs += [cohorte]
+        # Pas de conflit
-    liste_champs += [critere]
+        return None
-    return "|".join(liste_champs)
+
+    pattern = r"\((\d*)\)"
+    p = re.compile(pattern)
+    numeros = []
+    for col in colonnes:
+        numeros.extend(p.findall(col))
+
+    if numeros:
+        numeros = [int(num) for num in numeros]
+        num_max = max(numeros)
+    else:
+        num_max = 0
+
+    ajouts = [f"{col} ({num_max+1})" for col in colonnes_a_ajouter]
+    return ajouts

app/pe/moys/pe_rcstag.py

@@ -101,7 +101,7 @@ class RCSemXTag(pe_tabletags.TableTag):
         self.sxtags_connus = sxstags  # Tous les sxstags connus
 
         # Les étudiants (etuds, états civils & etudis)
-        sems_dans_aggregat = rcsemx.aggregat
+        sems_dans_aggregat = rcsemx.noms_semestres_aggreges
         sxtag_final = self.sxstags_aggreges[(sems_dans_aggregat[-1], self.rcs_id[1])]
         self.etuds = sxtag_final.etuds
         """Les étudiants (extraits du semestre final)"""
@@ -162,11 +162,13 @@ class RCSemXTag(pe_tabletags.TableTag):
             pe_affichage.pe_print(f"     > Moyenne calculée avec pour coeffs : {aff}")
 
             # Mémorise les moyennes et les coeff associés
+            infos = {"aggregat": self.rcs_id[0], "cohorte": pe_moytag.CHAMP_GROUPE}
             self.moyennes_tags[tag] = pe_moytag.MoyennesTag(
                 tag,
                 pe_moytag.CODE_MOY_COMPETENCES,
                 moys_competences,
                 matrice_coeffs_moy_gen,
+                infos,
             )
 
     def __eq__(self, other):

app/pe/moys/pe_ressemtag.py

@@ -179,20 +179,20 @@ class ResSemBUTTag(ResultatsSemestreBUT, pe_tabletags.TableTag):
                 self.ues_inscr_parcours_df, info_tag=info_tag, pole=None
             )
             # Mémorise les moyennes
+            infos = {"aggregat": None, "cohorte": pe_moytag.CHAMP_GROUPE}
             self.moyennes_tags[tag] = pe_moytag.MoyennesTag(
                 tag,
                 pe_moytag.CODE_MOY_UE,
                 moy_ues_tag,
                 self.matrice_coeffs_moy_gen,
+                infos,
             )
 
         # Ajoute les moyennes par UEs + la moyenne générale (but)
         moy_gen = self.compute_moy_gen(self.acro_ues_inscr_parcours)
+        infos = {"aggregat": None, "cohorte": pe_moytag.CHAMP_GROUPE}
         self.moyennes_tags["but"] = pe_moytag.MoyennesTag(
-            "but",
+            "but", pe_moytag.CODE_MOY_UE, moy_gen, self.matrice_coeffs_moy_gen, infos
-            pe_moytag.CODE_MOY_UE,
-            moy_gen,
-            self.matrice_coeffs_moy_gen,
         )
 
         # Ajoute la moyenne générale par ressources
@@ -200,11 +200,13 @@ class ResSemBUTTag(ResultatsSemestreBUT, pe_tabletags.TableTag):
             moy_res_gen = self.compute_moy_ues_tag(
                 self.ues_inscr_parcours_df, info_tag=None, pole=ModuleType.RESSOURCE
             )
+            infos = {"aggregat": None, "cohorte": pe_moytag.CHAMP_GROUPE}
             self.moyennes_tags["ressources"] = pe_moytag.MoyennesTag(
                 "ressources",
                 pe_moytag.CODE_MOY_UE,
                 moy_res_gen,
                 self.matrice_coeffs_moy_gen,
+                infos,
             )
 
         # Ajoute la moyenne générale par saes
@@ -212,11 +214,13 @@ class ResSemBUTTag(ResultatsSemestreBUT, pe_tabletags.TableTag):
             moy_saes_gen = self.compute_moy_ues_tag(
                 self.ues_inscr_parcours_df, info_tag=None, pole=ModuleType.SAE
             )
+            infos = {"aggregat": None, "cohorte": pe_moytag.CHAMP_GROUPE}
             self.moyennes_tags["saes"] = pe_moytag.MoyennesTag(
                 "saes",
                 pe_moytag.CODE_MOY_UE,
                 moy_saes_gen,
                 self.matrice_coeffs_moy_gen,
+                infos,
             )
 
         # Tous les tags

app/pe/moys/pe_sxtag.py

@@ -211,11 +211,13 @@ class SxTag(pe_tabletags.TableTag):
                 )
 
             # Mémorise les infos pour la moyenne au tag
+            infos = {"aggregat": self.sxtag_id[0], "cohorte": pe_moytag.CHAMP_GROUPE}
             self.moyennes_tags[tag] = pe_moytag.MoyennesTag(
                 tag,
                 pe_moytag.CODE_MOY_UE,
                 matrice_moys_ues,
                 self.matrice_coeffs_moy_gen,
+                infos,
             )
 
             # Affichage de debug

app/pe/moys/pe_tabletags.py

@@ -90,7 +90,7 @@ class TableTag(object):
         options={"min_max_moy": True},
     ) -> pd.DataFrame:
         """Renvoie un dataframe listant toutes les données
-        des moyennes/classements/nb_inscrits/min/max/moy
+        des moyennes/classements/min/max/moy
         des étudiants aux différents tags.
 
         tags_cibles limitent le dataframe aux tags indiqués
@@ -122,9 +122,7 @@ class TableTag(object):
         # Ajout des données par tags
         for tag in tags_cibles:
             if tag in self.moyennes_tags:
-                moy_tag_df = self.moyennes_tags[tag].to_df(
+                moy_tag_df = self.moyennes_tags[tag].to_df(options=options)
-                    aggregat=aggregat, cohorte=cohorte, options=options
-                )
                 df = df.join(moy_tag_df)
 
         # Tri par nom, prénom

app/pe/pe_affichage.py

@@ -11,7 +11,7 @@ from app import log
 from app.pe.rcss import pe_rcs
 import app.pe.pe_comp as pe_comp
 
-PE_DEBUG = False
+PE_DEBUG = True
 
 
 # On stocke les logs PE dans g.scodoc_pe_log

app/pe/pe_jury.py

@@ -51,6 +51,8 @@ import numpy as np
 import pandas as pd
 import jinja2
 
+import app.pe.moys.pe_moy
+import app.pe.moys.pe_moytag as pe_moytag
 from app.pe.rcss import pe_rcs
 from app.pe.moys import pe_sxtag
 
@@ -730,20 +732,32 @@ class JuryPE(object):
                 )
                 if not df_groupe.empty:
                     aff_aggregat += [aggregat + " (Groupe)"]
+
+                    colonnes_renommees = pe_moytag.ajout_numero_a_colonnes(
+                        list(df.columns), list(df_groupe.columns)
+                    )
+                    if colonnes_renommees:
+                        df_groupe.columns = colonnes_renommees
+
                     df = df.join(df_groupe)
 
-                # Le dataframe du classement sur la promo
+                    # Le dataframe du classement sur la promo
-                df_promo = interclass.to_df(
+                    df_promo = interclass.to_df(
-                    administratif=False,
+                        administratif=False,
-                    aggregat=aggregat,
+                        aggregat=aggregat,
-                    tags_cibles=[tag],
+                        tags_cibles=[tag],
-                    cohorte="Promo",
+                        cohorte="Promo",
-                    options=self.options,
+                        options=self.options,
-                )
+                    )
 
-                if not df_promo.empty:
+                    if not df_promo.empty:
-                    aff_aggregat += [aggregat + " (Promo)"]
+                        aff_aggregat += [aggregat + " (Promo)"]
-                    df = df.join(df_promo)
+                        colonnes_renommees = pe_moytag.ajout_numero_a_colonnes(
+                            list(df.columns), list(df_groupe.columns)
+                        )
+                        if colonnes_renommees:
+                            df_promo.columns = colonnes_renommees
+                        df = df.join(df_promo)
 
         if aff_aggregat:
             pe_affichage.pe_print(
@@ -806,7 +820,7 @@ class JuryPE(object):
                         "rang_groupe": "",
                         "rang_promo": "",
                     }
-                    colonne = pe_moytag.get_colonne_df(
+                    colonne = app.pe.moys.pe_moy.get_colonne_df(
                         aggregat, tag, comp, "Groupe", "note"
                     )
                     if colonne in df.columns:
@@ -816,14 +830,14 @@ class JuryPE(object):
                             est_significatif = True
                     # else:
                     #    print(f"{colonne} manquante")
-                    colonne = pe_moytag.get_colonne_df(
+                    colonne = app.pe.moys.pe_moy.get_colonne_df(
                         aggregat, tag, comp, "Groupe", "rang"
                     )
                     if colonne in df.columns:
                         valeur = df.loc[etudid, colonne]
                         if valeur and str(valeur) != "nan":
                             moy[comp]["rang_groupe"] = valeur
-                    colonne = pe_moytag.get_colonne_df(
+                    colonne = app.pe.moys.pe_moy.get_colonne_df(
                         aggregat, tag, comp, "Promo", "rang"
                     )
                     if colonne in df.columns:

app/pe/rcss/pe_rcs.py

@@ -92,8 +92,8 @@ class RCS:
         """Nom du RCS"""
         assert self.nom in TOUS_LES_RCS, "Le nom d'un RCS doit être un aggrégat"
 
-        self.aggregat: list[str] = TYPES_RCS[nom]["aggregat"]
+        self.noms_semestres_aggreges: list[str] = TYPES_RCS[nom]["aggregat"]
-        """Aggrégat (liste des nom des semestres aggrégés)"""
+        """Noms des semestres aggrégés)"""
 
         self.formsemestre_final: FormSemestre = semestre_final
         """(Form)Semestre final du RCS"""

tests/unit/test_pe.py

@@ -4,6 +4,7 @@ Test calcul moyennes pour les poursuites d'études
 import numpy as np
 import pytest
 
+import app.pe.moys.pe_moy
 from tests.unit import setup
 
 from app import db
@@ -24,10 +25,17 @@ def egalite_df(df1, df2):
 
 
 class Test_pe_moy:
+    infos = {
+        "aggregat": "S1",
+        "tag": "maths",
+        "intitule": "UE1.1",
+        "cohorte": "groupe",
+    }
+
     def test_init(self):
         """Test de pe_moy.Moyenne.__init__"""
         notes = pd.Series({1: 10.0, 2: 14.0, 3: np.nan, 4: 0.0})
-        moy = pe_moy.Moyenne(notes)
+        moy = pe_moy.Moyenne(notes, Test_pe_moy.infos)
         assert moy.etudids == [1, 2, 3, 4], "Etudids incorrect"
         assert moy.inscrits_ids == [1, 2, 4], "Inscriptions incorrectes"
         # Les notes
@@ -67,7 +75,7 @@ class Test_pe_moy:
     def test_init_ex_aequo(self):
         """Test de pe_moy.Moyenne.__init__ pour des ex-aequo"""
         notes = pd.Series({1: 10.0, 2: 14.0, 3: 10.0, 4: 0.0})
-        moy = pe_moy.Moyenne(notes)
+        moy = pe_moy.Moyenne(notes, Test_pe_moy.infos)
         # Les rangs
         rang = pd.Series(["2 ex/4", "1/4", "2 ex/4", "3/4"], index=[1, 2, 3, 4])
         assert moy.df["rang"].isnull().sum() == 0, "Des Nan dans les rangs interdits"
@@ -84,16 +92,11 @@ class Test_pe_moy:
         ],
     )
     def test_has_notes(self, notes, resultat):
-        moy = pe_moy.Moyenne(notes)
+        moy = pe_moy.Moyenne(notes, Test_pe_moy.infos)
         assert (
             moy.has_notes() == resultat
         ), "Le test sur la présence de notes est incorrect"
 
-
-# ******************************
-# app.pe.moys.pe_moytag
-# ******************************
-class Test_pe_moytag:
     @pytest.mark.parametrize(
         "aggregat, tag, champ, cohorte, critere, attendu",
         [
@@ -121,9 +124,36 @@ class Test_pe_moytag:
         ],
     )
     def test_colonnes_df(self, aggregat, tag, champ, cohorte, critere, attendu):
-        descr = pe_moytag.get_colonne_df(aggregat, tag, champ, cohorte, critere)
+        descr = app.pe.moys.pe_moy.get_colonne_df(
+            aggregat, tag, champ, cohorte, critere
+        )
         assert descr == attendu, "Nom de colonne incorrect"
 
+    def to_df(self):
+        notes = pd.Series({1: 10.0, 2: 14.0, 3: np.nan, 4: 0.0})
+        infos = {
+            "aggregat": "S1",
+            "tag": "maths",
+            "intitule": "Général",
+            "cohorte": "promo",
+        }
+        cols = [
+            f"S1|maths|Général|promo|{critere}"
+            for critere in ["note", "rang", "min", "max", "moy"]
+        ]
+        moy = pe_moy.Moyenne(notes, infos)
+        df = moy.to_df(with_min_max_moy=True)
+        assert (
+            list(df.columns) == cols
+        ), "Colonnes du df de synthèse pour Excel pas correctes"
+
+
+# ******************************
+# app.pe.moys.pe_moytag
+# ******************************
+class Test_pe_moytag:
+    infos = {"aggregat": "S1", "cohorte": "promo"}
+
     def test_moyennes_tag__init__(self):
         matrice_notes = pd.DataFrame.from_dict(
             {
@@ -149,7 +179,9 @@ class Test_pe_moytag:
             orient="index",
             columns=["UE1.1", "UE1.2", "UE1.3"],
         )
-        moy_tag = pe_moytag.MoyennesTag("maths", None, matrice_notes, matrice_coeffs)
+        moy_tag = pe_moytag.MoyennesTag(
+            "maths", None, matrice_notes, matrice_coeffs, Test_pe_moytag.infos
+        )
         attendu = pd.Series(
             [
                 (12 * 1 + 14 * 2 + 15 * 3) / (1 + 2 + 3),
@@ -163,35 +195,9 @@ class Test_pe_moytag:
         )
         assert egalite_df(moy_tag.notes_gen, attendu), "La moyenne n'est pas correcte"
 
-    def test_to_df(self):
+    def test_to_df_sans_renommage_colonne(self):
-        matrice_notes = pd.DataFrame.from_dict(
-            {
-                1: [12.0, 14.0, 15.0],
-                2: [8.0, np.nan, 12.0],
-                3: [0.0, 11.0, 13.0],
-                4: [np.nan, np.nan, np.nan],
-                5: [np.nan, np.nan, np.nan],
-                6: [0.0, 0.0, 0.0],
-            },
-            orient="index",
-            columns=["UE1.1", "UE1.2", "UE1.3"],
-        )
-        matrice_coeffs = pd.DataFrame.from_dict(
-            {
-                1: [1, 2, 3],
-                2: [2, 10, 6],
-                3: [1, 2, np.nan],
-                4: [5, 4, 3],
-                5: [np.nan, np.nan, np.nan],
-                6: [1, 1, 1],
-            },
-            orient="index",
-            columns=["UE1.1", "UE1.2", "UE1.3"],
-        )
-        moy_tag = pe_moytag.MoyennesTag("maths", None, matrice_notes, matrice_coeffs)
-
-    def test_to_df(self):
         """Test le dataframe de synthèse"""
+        infos = {"aggregat": "S1", "cohorte": "promo"}
         matrice_notes = pd.DataFrame.from_dict(
             {
                 2: [13.0, 13.0, 13],
@@ -208,14 +214,16 @@ class Test_pe_moytag:
             orient="index",
             columns=["UE1.1", "UE1.2", "UE1.3"],
         )
-        moy_tag = pe_moytag.MoyennesTag("maths", None, matrice_notes, matrice_coeffs)
+        moy_tag = pe_moytag.MoyennesTag(
+            "maths", None, matrice_notes, matrice_coeffs, infos
+        )
         synthese = moy_tag.to_df(
-            aggregat="S1", cohorte="groupe", options={"min_max_moy": True}
+            aggregat="S1", cohorte="promo", options={"min_max_moy": True}
         )
         colonnes_attendues = []
         for ue in ["UE1.1", "UE1.2", "UE1.3", "Général"]:
             for champ in ["note", "rang", "min", "max", "moy"]:
-                colonnes_attendues += [f"S1|maths|{ue}|groupe|{champ}"]
+                colonnes_attendues += [f"S1|maths|{ue}|promo|{champ}"]
         assert (
             list(synthese.columns) == colonnes_attendues
         ), "Les colonnes de synthèse ne sont pas correctes"
@@ -224,6 +232,26 @@ class Test_pe_moytag:
             2,
         ], "Les lignes ne sont pas triées par id d'étudiants"
 
+    @pytest.mark.parametrize(
+        "colonnes, ajouts, resultat",
+        [
+            pytest.param(["toto", "titi"], ["tutu"], None, id="pas de modif"),
+            pytest.param(["toto", "titi"], ["titi"], ["titi (1)"], id="ajout de (1)"),
+            pytest.param(
+                ["toto", "toto (1)"], ["toto"], ["toto (2)"], id="ajout de (2)"
+            ),
+            pytest.param(
+                ["toto (1)", "titi (3)"],
+                ["toto", "titi"],
+                ["toto (4)", "titi (4)"],
+                id="ajout multiple",
+            ),
+        ],
+    )
+    def test_renomme_colonnes(self, colonnes, ajouts, resultat):
+        res = pe_moytag.ajout_numero_a_colonnes(colonnes, ajouts)
+        assert res == resultat, "L'ajout d'un numéro au colonne est incorrect"
+
 
 # ******************************
 # app.pe.moys.pe_rcstag