553 lines
23 KiB
Python
553 lines
23 KiB
Python
# -*- mode: python -*-
|
|
# -*- coding: utf-8 -*-
|
|
|
|
##############################################################################
|
|
#
|
|
# Gestion scolarite IUT
|
|
#
|
|
# Copyright (c) 1999 - 2023 Emmanuel Viennet. All rights reserved.
|
|
#
|
|
# This program is free software; you can redistribute it and/or modify
|
|
# it under the terms of the GNU General Public License as published by
|
|
# the Free Software Foundation; either version 2 of the License, or
|
|
# (at your option) any later version.
|
|
#
|
|
# This program is distributed in the hope that it will be useful,
|
|
# but WITHOUT ANY WARRANTY; without even the implied warranty of
|
|
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
|
|
# GNU General Public License for more details.
|
|
#
|
|
# You should have received a copy of the GNU General Public License
|
|
# along with this program; if not, write to the Free Software
|
|
# Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA
|
|
#
|
|
# Emmanuel Viennet emmanuel.viennet@viennet.net
|
|
#
|
|
##############################################################################
|
|
|
|
"""Fonctions de calcul des moyennes de modules (modules, ressources ou SAÉ)
|
|
|
|
Pour les formations classiques et le BUT
|
|
|
|
Rappel: pour éviter les confusions, on appelera *poids* les coefficients d'une
|
|
évaluation dans un module, et *coefficients* ceux utilisés pour le calcul de la
|
|
moyenne générale d'une UE.
|
|
"""
|
|
import dataclasses
|
|
from dataclasses import dataclass
|
|
|
|
import numpy as np
|
|
import pandas as pd
|
|
|
|
import app
|
|
from app import db
|
|
from app.models import Evaluation, EvaluationUEPoids, ModuleImpl
|
|
from app.scodoc import sco_cache
|
|
from app.scodoc import sco_utils as scu
|
|
from app.scodoc.sco_codes_parcours import UE_SPORT
|
|
from app.scodoc.sco_exceptions import ScoBugCatcher
|
|
from app.scodoc.sco_utils import ModuleType
|
|
|
|
|
|
@dataclass
|
|
class EvaluationEtat:
|
|
"""Classe pour stocker quelques infos sur les résultats d'une évaluation"""
|
|
|
|
evaluation_id: int
|
|
nb_attente: int
|
|
is_complete: bool
|
|
|
|
def to_dict(self):
|
|
"convert to dict"
|
|
return dataclasses.asdict(self)
|
|
|
|
|
|
class ModuleImplResults:
|
|
"""Classe commune à toutes les formations (standard et APC).
|
|
Les notes des étudiants d'un moduleimpl.
|
|
Les poids des évals sont à part car on en a besoin sans les notes pour les
|
|
tableaux de bord.
|
|
Les attributs sont tous des objets simples cachables dans Redis;
|
|
les caches sont gérés par ResultatsSemestre.
|
|
"""
|
|
|
|
def __init__(self, moduleimpl: ModuleImpl):
|
|
self.moduleimpl_id = moduleimpl.id
|
|
self.module_id = moduleimpl.module.id
|
|
self.etudids = None
|
|
"liste des étudiants inscrits au SEMESTRE (incluant dem et def)"
|
|
|
|
self.nb_inscrits_module = None
|
|
"nombre d'inscrits (non DEM) à ce module"
|
|
self.evaluations_completes = []
|
|
"séquence de booléens, indiquant les évals à prendre en compte."
|
|
self.evaluations_completes_dict = {}
|
|
"{ evaluation.id : bool } indique si à prendre en compte ou non."
|
|
self.evaluations_etat = {}
|
|
"{ evaluation_id: EvaluationEtat }"
|
|
self.etudids_attente = set()
|
|
"etudids avec au moins une note ATT dans ce module"
|
|
self.en_attente = False
|
|
"Vrai si au moins une évaluation a une note en attente"
|
|
#
|
|
self.evals_notes = None
|
|
"""DataFrame, colonnes: EVALS, Lignes: etudid (inscrits au SEMESTRE)
|
|
valeur: notes brutes, float ou NOTES_ATTENTE, NOTES_NEUTRALISE,
|
|
NOTES_ABSENCE.
|
|
Les NaN désignent les notes manquantes (non saisies).
|
|
"""
|
|
self.etuds_moy_module = None
|
|
"""DataFrame, colonnes UE, lignes etud
|
|
= la note de l'étudiant dans chaque UE pour ce module.
|
|
ou NaN si les évaluations (dans lesquelles l'étudiant a des notes)
|
|
ne donnent pas de coef vers cette UE.
|
|
"""
|
|
self.evals_etudids_sans_note = {}
|
|
"""dict: evaluation_id : set des etudids non notés dans cette eval, sans les démissions."""
|
|
self.load_notes()
|
|
self.etuds_use_session2 = pd.Series(False, index=self.evals_notes.index)
|
|
"""1 bool par etud, indique si sa moyenne de module vient de la session2"""
|
|
self.etuds_use_rattrapage = pd.Series(False, index=self.evals_notes.index)
|
|
"""1 bool par etud, indique si sa moyenne de module utilise la note de rattrapage"""
|
|
|
|
def load_notes(self): # ré-écriture de df_load_modimpl_notes
|
|
"""Charge toutes les notes de toutes les évaluations du module.
|
|
Dataframe evals_notes
|
|
colonnes: le nom de la colonne est l'evaluation_id (int)
|
|
index (lignes): etudid (int)
|
|
|
|
L'ensemble des étudiants est celui des inscrits au SEMESTRE.
|
|
|
|
Les notes sont "brutes" (séries de floats) et peuvent prendre les valeurs:
|
|
note : float (valeur enregistrée brute, NON normalisée sur 20)
|
|
pas de note: NaN (rien en bd, ou étudiant non inscrit au module)
|
|
absent: NOTES_ABSENCE (NULL en bd)
|
|
excusé: NOTES_NEUTRALISE (voir sco_utils)
|
|
attente: NOTES_ATTENTE
|
|
|
|
Évaluation "complete" (prise en compte dans les calculs) si:
|
|
- soit tous les étudiants inscrits au module ont des notes
|
|
- soit elle a été déclarée "à prise en compte immédiate" (publish_incomplete)
|
|
ou est une évaluation de rattrapage ou de session 2
|
|
Évaluation "attente" (prise en compte dans les calculs, mais il y
|
|
manque des notes) ssi il y a des étudiants inscrits au semestre et au module
|
|
qui ont des notes ATT.
|
|
"""
|
|
moduleimpl = ModuleImpl.query.get(self.moduleimpl_id)
|
|
self.etudids = self._etudids()
|
|
|
|
# --- Calcul nombre d'inscrits pour déterminer les évaluations "completes":
|
|
# on prend les inscrits au module ET au semestre (donc sans démissionnaires)
|
|
inscrits_module = {ins.etud.id for ins in moduleimpl.inscriptions}.intersection(
|
|
moduleimpl.formsemestre.etudids_actifs
|
|
)
|
|
self.nb_inscrits_module = len(inscrits_module)
|
|
|
|
# dataFrame vide, index = tous les inscrits au SEMESTRE
|
|
evals_notes = pd.DataFrame(index=self.etudids, dtype=float)
|
|
self.evaluations_completes = []
|
|
self.evaluations_completes_dict = {}
|
|
for evaluation in moduleimpl.evaluations:
|
|
eval_df = self._load_evaluation_notes(evaluation)
|
|
# is_complete ssi tous les inscrits (non dem) au semestre ont une note
|
|
# ou évaluation déclarée "à prise en compte immédiate"
|
|
# Les évaluations de rattrapage et 2eme session sont toujours complètes
|
|
|
|
etudids_sans_note = inscrits_module - set(eval_df.index) # sans les dem.
|
|
is_complete = (
|
|
(evaluation.evaluation_type == scu.EVALUATION_RATTRAPAGE)
|
|
or (evaluation.evaluation_type == scu.EVALUATION_SESSION2)
|
|
or (evaluation.publish_incomplete)
|
|
or (not etudids_sans_note)
|
|
)
|
|
self.evaluations_completes.append(is_complete)
|
|
self.evaluations_completes_dict[evaluation.id] = is_complete
|
|
self.evals_etudids_sans_note[evaluation.id] = etudids_sans_note
|
|
|
|
# NULL en base => ABS (= -999)
|
|
eval_df.fillna(scu.NOTES_ABSENCE, inplace=True)
|
|
# Ce merge ne garde que les étudiants inscrits au module
|
|
# et met à NULL les notes non présentes
|
|
# (notes non saisies ou etuds non inscrits au module):
|
|
evals_notes = evals_notes.merge(
|
|
eval_df, how="left", left_index=True, right_index=True
|
|
)
|
|
# Notes en attente: (ne prend en compte que les inscrits, non démissionnaires)
|
|
eval_notes_inscr = evals_notes[str(evaluation.id)][list(inscrits_module)]
|
|
eval_etudids_attente = set(
|
|
eval_notes_inscr.iloc[
|
|
(eval_notes_inscr == scu.NOTES_ATTENTE).to_numpy()
|
|
].index
|
|
)
|
|
self.etudids_attente |= eval_etudids_attente
|
|
self.evaluations_etat[evaluation.id] = EvaluationEtat(
|
|
evaluation_id=evaluation.id,
|
|
nb_attente=len(eval_etudids_attente),
|
|
is_complete=is_complete,
|
|
)
|
|
# au moins une note en ATT dans ce modimpl:
|
|
self.en_attente = bool(self.etudids_attente)
|
|
|
|
# Force columns names to integers (evaluation ids)
|
|
evals_notes.columns = pd.Index([int(x) for x in evals_notes.columns], dtype=int)
|
|
self.evals_notes = evals_notes
|
|
|
|
def _load_evaluation_notes(self, evaluation: Evaluation) -> pd.DataFrame:
|
|
"""Charge les notes de l'évaluation
|
|
Resultat: dataframe, index: etudid ayant une note, valeur: note brute.
|
|
"""
|
|
eval_df = pd.read_sql_query(
|
|
"""SELECT n.etudid, n.value AS "%(evaluation_id)s"
|
|
FROM notes_notes n, notes_moduleimpl_inscription i
|
|
WHERE evaluation_id=%(evaluation_id)s
|
|
AND n.etudid = i.etudid
|
|
AND i.moduleimpl_id = %(moduleimpl_id)s
|
|
""",
|
|
db.engine,
|
|
params={
|
|
"evaluation_id": evaluation.id,
|
|
"moduleimpl_id": evaluation.moduleimpl.id,
|
|
},
|
|
index_col="etudid",
|
|
)
|
|
eval_df[str(evaluation.id)] = pd.to_numeric(eval_df[str(evaluation.id)])
|
|
return eval_df
|
|
|
|
def _etudids(self):
|
|
"""L'index du dataframe est la liste de tous les étudiants inscrits au semestre
|
|
(incluant les DEM et DEF)
|
|
"""
|
|
return [
|
|
inscr.etudid
|
|
for inscr in ModuleImpl.query.get(
|
|
self.moduleimpl_id
|
|
).formsemestre.inscriptions
|
|
]
|
|
|
|
def get_evaluations_coefs(self, moduleimpl: ModuleImpl) -> np.array:
|
|
"""Coefficients des évaluations.
|
|
Les coefs des évals incomplètes et non "normales" (session 2, rattrapage)
|
|
sont zéro.
|
|
Résultat: 2d-array of floats, shape (nb_evals, 1)
|
|
"""
|
|
return (
|
|
np.array(
|
|
[
|
|
e.coefficient
|
|
if e.evaluation_type == scu.EVALUATION_NORMALE
|
|
else 0.0
|
|
for e in moduleimpl.evaluations
|
|
],
|
|
dtype=float,
|
|
)
|
|
* self.evaluations_completes
|
|
).reshape(-1, 1)
|
|
|
|
# was _list_notes_evals_titles
|
|
def get_evaluations_completes(self, moduleimpl: ModuleImpl) -> list:
|
|
"Liste des évaluations complètes"
|
|
return [
|
|
e for e in moduleimpl.evaluations if self.evaluations_completes_dict[e.id]
|
|
]
|
|
|
|
def get_eval_notes_sur_20(self, moduleimpl: ModuleImpl) -> np.array:
|
|
"""Les notes de toutes les évaluations du module, complètes ou non.
|
|
Remplace les ATT, EXC, ABS, NaN par zéro et mets les notes sur 20.
|
|
Résultat: 2d array of floats, shape nb_etuds x nb_evaluations
|
|
"""
|
|
return np.where(
|
|
self.evals_notes.values > scu.NOTES_ABSENCE, self.evals_notes.values, 0.0
|
|
) / [e.note_max / 20.0 for e in moduleimpl.evaluations]
|
|
|
|
def get_eval_notes_dict(self, evaluation_id: int) -> dict:
|
|
"""Notes d'une évaulation, brutes, sous forme d'un dict
|
|
{ etudid : valeur }
|
|
avec les valeurs float, ou "ABS" ou EXC
|
|
"""
|
|
return {
|
|
etudid: scu.fmt_note(x, keep_numeric=True)
|
|
for (etudid, x) in self.evals_notes[evaluation_id].items()
|
|
}
|
|
|
|
def get_evaluation_rattrapage(self, moduleimpl: ModuleImpl):
|
|
"""L'évaluation de rattrapage de ce module, ou None s'il n'en a pas.
|
|
Rattrapage: la moyenne du module est la meilleure note entre moyenne
|
|
des autres évals et la note eval rattrapage.
|
|
"""
|
|
eval_list = [
|
|
e
|
|
for e in moduleimpl.evaluations
|
|
if e.evaluation_type == scu.EVALUATION_RATTRAPAGE
|
|
]
|
|
if eval_list:
|
|
return eval_list[0]
|
|
return None
|
|
|
|
def get_evaluation_session2(self, moduleimpl: ModuleImpl):
|
|
"""L'évaluation de deuxième session de ce module, ou None s'il n'en a pas.
|
|
Session 2: remplace la note de moyenne des autres évals.
|
|
"""
|
|
eval_list = [
|
|
e
|
|
for e in moduleimpl.evaluations
|
|
if e.evaluation_type == scu.EVALUATION_SESSION2
|
|
]
|
|
if eval_list:
|
|
return eval_list[0]
|
|
return None
|
|
|
|
|
|
class ModuleImplResultsAPC(ModuleImplResults):
|
|
"Calcul des moyennes de modules à la mode BUT"
|
|
|
|
def compute_module_moy(
|
|
self,
|
|
evals_poids_df: pd.DataFrame,
|
|
) -> pd.DataFrame:
|
|
"""Calcule les moyennes des étudiants dans ce module
|
|
|
|
Argument: evals_poids: DataFrame, colonnes: UEs, Lignes: EVALs
|
|
|
|
Résultat: DataFrame, colonnes UE, lignes etud
|
|
= la note de l'étudiant dans chaque UE pour ce module.
|
|
ou NaN si les évaluations (dans lesquelles l'étudiant a des notes)
|
|
ne donnent pas de coef vers cette UE.
|
|
"""
|
|
modimpl = ModuleImpl.query.get(self.moduleimpl_id)
|
|
nb_etuds, nb_evals = self.evals_notes.shape
|
|
nb_ues = evals_poids_df.shape[1]
|
|
assert evals_poids_df.shape[0] == nb_evals # compat notes/poids
|
|
if nb_etuds == 0:
|
|
return pd.DataFrame(index=[], columns=evals_poids_df.columns)
|
|
if nb_ues == 0:
|
|
return pd.DataFrame(index=self.evals_notes.index, columns=[])
|
|
evals_coefs = self.get_evaluations_coefs(modimpl)
|
|
evals_poids = evals_poids_df.values * evals_coefs
|
|
# -> evals_poids shape : (nb_evals, nb_ues)
|
|
assert evals_poids.shape == (nb_evals, nb_ues)
|
|
evals_notes_20 = self.get_eval_notes_sur_20(modimpl)
|
|
|
|
# Les poids des évals pour chaque étudiant: là où il a des notes
|
|
# non neutralisées
|
|
# (ABS n'est pas neutralisée, mais ATTENTE et NEUTRALISE oui)
|
|
# Note: les NaN sont remplacés par des 0 dans evals_notes
|
|
# et dans dans evals_poids_etuds
|
|
# (rappel: la comparaison est toujours false face à un NaN)
|
|
# shape: (nb_etuds, nb_evals, nb_ues)
|
|
poids_stacked = np.stack([evals_poids] * nb_etuds)
|
|
evals_poids_etuds = np.where(
|
|
np.stack([self.evals_notes.values] * nb_ues, axis=2) > scu.NOTES_NEUTRALISE,
|
|
poids_stacked,
|
|
0,
|
|
)
|
|
# Calcule la moyenne pondérée sur les notes disponibles:
|
|
evals_notes_stacked = np.stack([evals_notes_20] * nb_ues, axis=2)
|
|
with np.errstate(invalid="ignore"): # ignore les 0/0 (-> NaN)
|
|
etuds_moy_module = np.sum(
|
|
evals_poids_etuds * evals_notes_stacked, axis=1
|
|
) / np.sum(evals_poids_etuds, axis=1)
|
|
|
|
# Session2 : quand elle existe, remplace la note de module
|
|
eval_session2 = self.get_evaluation_session2(modimpl)
|
|
if eval_session2:
|
|
notes_session2 = self.evals_notes[eval_session2.id].values
|
|
# n'utilise que les notes valides (pas ATT, EXC, ABS, NaN)
|
|
etuds_use_session2 = notes_session2 > scu.NOTES_ABSENCE
|
|
etuds_moy_module = np.where(
|
|
etuds_use_session2[:, np.newaxis],
|
|
np.tile(
|
|
(notes_session2 / (eval_session2.note_max / 20.0))[:, np.newaxis],
|
|
nb_ues,
|
|
),
|
|
etuds_moy_module,
|
|
)
|
|
self.etuds_use_session2 = pd.Series(
|
|
etuds_use_session2, index=self.evals_notes.index
|
|
)
|
|
else:
|
|
# Rattrapage: remplace la note de module ssi elle est supérieure
|
|
eval_rat = self.get_evaluation_rattrapage(modimpl)
|
|
if eval_rat:
|
|
notes_rat = self.evals_notes[eval_rat.id].values
|
|
# remplace les notes invalides (ATT, EXC...) par des NaN
|
|
notes_rat = np.where(
|
|
notes_rat > scu.NOTES_ABSENCE,
|
|
notes_rat / (eval_rat.note_max / 20.0),
|
|
np.nan,
|
|
)
|
|
# "Étend" le rattrapage sur les UE: la note de rattrapage est la même
|
|
# pour toutes les UE mais ne remplace que là où elle est supérieure
|
|
notes_rat_ues = np.stack([notes_rat] * nb_ues, axis=1)
|
|
# prend le max
|
|
etuds_use_rattrapage = notes_rat_ues > etuds_moy_module
|
|
etuds_moy_module = np.where(
|
|
etuds_use_rattrapage, notes_rat_ues, etuds_moy_module
|
|
)
|
|
# Serie indiquant que l'étudiant utilise une note de rattrapage sur l'une des UE:
|
|
self.etuds_use_rattrapage = pd.Series(
|
|
etuds_use_rattrapage.any(axis=1), index=self.evals_notes.index
|
|
)
|
|
self.etuds_moy_module = pd.DataFrame(
|
|
etuds_moy_module,
|
|
index=self.evals_notes.index,
|
|
columns=evals_poids_df.columns,
|
|
)
|
|
return self.etuds_moy_module
|
|
|
|
|
|
def load_evaluations_poids(moduleimpl_id: int) -> tuple[pd.DataFrame, list]:
|
|
"""Charge poids des évaluations d'un module et retourne un dataframe
|
|
rows = evaluations, columns = UE, value = poids (float).
|
|
Les valeurs manquantes (évaluations sans coef vers des UE) sont
|
|
remplies: 1 si le coef de ce module dans l'UE est non nul, zéro sinon
|
|
(sauf pour module bonus, defaut à 1)
|
|
|
|
Si le module n'est pas une ressource ou une SAE, ne charge pas de poids
|
|
et renvoie toujours les poids par défaut.
|
|
|
|
Résultat: (evals_poids, liste de UEs du semestre sauf le sport)
|
|
"""
|
|
modimpl: ModuleImpl = ModuleImpl.query.get(moduleimpl_id)
|
|
evaluations = Evaluation.query.filter_by(moduleimpl_id=moduleimpl_id).all()
|
|
ues = modimpl.formsemestre.query_ues(with_sport=False).all()
|
|
ue_ids = [ue.id for ue in ues]
|
|
evaluation_ids = [evaluation.id for evaluation in evaluations]
|
|
evals_poids = pd.DataFrame(columns=ue_ids, index=evaluation_ids, dtype=float)
|
|
if (
|
|
modimpl.module.module_type == ModuleType.RESSOURCE
|
|
or modimpl.module.module_type == ModuleType.SAE
|
|
):
|
|
for ue_poids in EvaluationUEPoids.query.join(
|
|
EvaluationUEPoids.evaluation
|
|
).filter_by(moduleimpl_id=moduleimpl_id):
|
|
try:
|
|
evals_poids[ue_poids.ue_id][ue_poids.evaluation_id] = ue_poids.poids
|
|
except KeyError as exc:
|
|
pass # poids vers des UE qui n'existent plus ou sont dans un autre semestre...
|
|
|
|
# Initialise poids non enregistrés:
|
|
default_poids = (
|
|
1.0
|
|
if modimpl.module.ue.type == UE_SPORT
|
|
or modimpl.module.module_type == ModuleType.MALUS
|
|
else 0.0
|
|
)
|
|
|
|
if np.isnan(evals_poids.values.flat).any():
|
|
ue_coefs = modimpl.module.get_ue_coef_dict()
|
|
for ue in ues:
|
|
evals_poids[ue.id][evals_poids[ue.id].isna()] = (
|
|
1 if ue_coefs.get(ue.id, default_poids) > 0 else 0
|
|
)
|
|
|
|
return evals_poids, ues
|
|
|
|
|
|
def moduleimpl_is_conforme(
|
|
moduleimpl, evals_poids: pd.DataFrame, modimpl_coefs_df: pd.DataFrame
|
|
) -> bool:
|
|
"""Vérifie que les évaluations de ce moduleimpl sont bien conformes
|
|
au PN.
|
|
Un module est dit *conforme* si et seulement si la somme des poids de ses
|
|
évaluations vers une UE de coefficient non nul est non nulle.
|
|
|
|
Arguments:
|
|
evals_poids: DataFrame, colonnes: UEs, Lignes: EVALs
|
|
modimpl_coefs_df: DataFrame, cols: modimpl_id, lignes: UEs du formsemestre
|
|
NB: les UEs dans evals_poids sont sans le bonus sport
|
|
"""
|
|
nb_evals, nb_ues = evals_poids.shape
|
|
if nb_evals == 0:
|
|
return True # modules vides conformes
|
|
if nb_ues == 0:
|
|
return False # situation absurde (pas d'UE)
|
|
if len(modimpl_coefs_df) != nb_ues:
|
|
# il arrive (#bug) que le cache ne soit pas à jour...
|
|
sco_cache.invalidate_formsemestre()
|
|
raise ScoBugCatcher("moduleimpl_is_conforme: nb ue incoherent")
|
|
|
|
if moduleimpl.id not in modimpl_coefs_df:
|
|
# soupçon de bug cache coef ?
|
|
sco_cache.invalidate_formsemestre()
|
|
raise ScoBugCatcher("Erreur 454 - merci de ré-essayer")
|
|
|
|
module_evals_poids = evals_poids.transpose().sum(axis=1) != 0
|
|
return all((modimpl_coefs_df[moduleimpl.id] != 0).eq(module_evals_poids))
|
|
|
|
|
|
class ModuleImplResultsClassic(ModuleImplResults):
|
|
"Calcul des moyennes de modules des formations classiques"
|
|
|
|
def compute_module_moy(self) -> pd.Series:
|
|
"""Calcule les moyennes des étudiants dans ce module
|
|
|
|
Résultat: Series, lignes etud
|
|
= la note (moyenne) de l'étudiant pour ce module.
|
|
ou NaN si les évaluations (dans lesquelles l'étudiant a des notes)
|
|
ne donnent pas de coef.
|
|
"""
|
|
modimpl = ModuleImpl.query.get(self.moduleimpl_id)
|
|
nb_etuds, nb_evals = self.evals_notes.shape
|
|
if nb_etuds == 0:
|
|
return pd.Series()
|
|
evals_coefs = self.get_evaluations_coefs(modimpl).reshape(-1)
|
|
if evals_coefs.shape != (nb_evals,):
|
|
app.critical_error("compute_module_moy: vals_coefs.shape != nb_evals")
|
|
evals_notes_20 = self.get_eval_notes_sur_20(modimpl)
|
|
# Les coefs des évals pour chaque étudiant: là où il a des notes
|
|
# non neutralisées
|
|
# (ABS n'est pas neutralisée, mais ATTENTE et NEUTRALISE oui)
|
|
# Note: les NaN sont remplacés par des 0 dans evals_notes
|
|
# et dans dans evals_poids_etuds
|
|
# (rappel: la comparaison est toujours False face à un NaN)
|
|
# shape: (nb_etuds, nb_evals)
|
|
coefs_stacked = np.stack([evals_coefs] * nb_etuds)
|
|
evals_coefs_etuds = np.where(
|
|
self.evals_notes.values > scu.NOTES_NEUTRALISE, coefs_stacked, 0
|
|
)
|
|
# Calcule la moyenne pondérée sur les notes disponibles:
|
|
with np.errstate(invalid="ignore"): # ignore les 0/0 (-> NaN)
|
|
etuds_moy_module = np.sum(
|
|
evals_coefs_etuds * evals_notes_20, axis=1
|
|
) / np.sum(evals_coefs_etuds, axis=1)
|
|
|
|
# Session2 : quand elle existe, remplace la note de module
|
|
eval_session2 = self.get_evaluation_session2(modimpl)
|
|
if eval_session2:
|
|
notes_session2 = self.evals_notes[eval_session2.id].values
|
|
# n'utilise que les notes valides (pas ATT, EXC, ABS, NaN)
|
|
etuds_use_session2 = notes_session2 > scu.NOTES_ABSENCE
|
|
etuds_moy_module = np.where(
|
|
etuds_use_session2,
|
|
notes_session2 / (eval_session2.note_max / 20.0),
|
|
etuds_moy_module,
|
|
)
|
|
self.etuds_use_session2 = pd.Series(
|
|
etuds_use_session2, index=self.evals_notes.index
|
|
)
|
|
else:
|
|
# Rattrapage: remplace la note de module ssi elle est supérieure
|
|
eval_rat = self.get_evaluation_rattrapage(modimpl)
|
|
if eval_rat:
|
|
notes_rat = self.evals_notes[eval_rat.id].values
|
|
# remplace les notes invalides (ATT, EXC...) par des NaN
|
|
notes_rat = np.where(
|
|
notes_rat > scu.NOTES_ABSENCE,
|
|
notes_rat / (eval_rat.note_max / 20.0),
|
|
np.nan,
|
|
)
|
|
# prend le max
|
|
etuds_use_rattrapage = notes_rat > etuds_moy_module
|
|
etuds_moy_module = np.where(
|
|
etuds_use_rattrapage, notes_rat, etuds_moy_module
|
|
)
|
|
self.etuds_use_rattrapage = pd.Series(
|
|
etuds_use_rattrapage, index=self.evals_notes.index
|
|
)
|
|
self.etuds_moy_module = pd.Series(
|
|
etuds_moy_module,
|
|
index=self.evals_notes.index,
|
|
)
|
|
|
|
return self.etuds_moy_module
|