Relecture + améliorations diverses (dont tri systématique par etudids_sorted, acronymes_sorted, competences_sorted) des dataframes

app/pe/pe_jury.py

@@ -60,6 +60,7 @@ from app.pe.pe_rcstag import RCSTag
 from app.pe.pe_ressemtag import ResSemBUTTag
 from app.pe.pe_interclasstag import RCSInterclasseTag
 import app.pe.pe_rcss_jury as pe_rcss_jury
+import app.pe.rcss.rcss_constantes as rcss_constantes
 
 
 class JuryPE(object):
@@ -107,6 +108,7 @@ class JuryPE(object):
                     self._gen_xls_diplomes(zipfile)
                     self._gen_xls_ressembuttags(zipfile)
                     self._gen_rcss()
+                    self._gen_rcsf()
                     self._gen_xls_sxtags(zipfile)
                     self._gen_rcrcfs()
                     self._gen_xls_rcrcss_tags(zipfile)
@@ -166,11 +168,14 @@ class JuryPE(object):
         with pd.ExcelWriter(  # pylint: disable=abstract-class-instantiated
             output, engine="openpyxl"
         ) as writer:
+            onglets = []
             for res_sem_tag in self.ressembuttags.values():
-                onglet = res_sem_tag.get_repr(verbose=False)
+                onglet = res_sem_tag.get_repr(verbose=True)
+                onglets += []
                 df = res_sem_tag.df_moyennes_et_classements()
                 # écriture dans l'onglet
                 df.to_excel(writer, onglet, index=True, header=True)
+            pe_affichage.pe_print(f"=> Export excel de {', '.join(onglets)}")
         output.seek(0)
 
         self.add_file_to_zip(
@@ -190,16 +195,19 @@ class JuryPE(object):
 
         self.rcss_jury.cree_rcss(self.etudiants)
 
-    def _gen_xls_sxtags(self, zipfile: ZipFile):
+    def _gen_rcsf(self):
-        """Génère les semestres taggués en s'appuyant sur les RCS de type Sx (pour
+        """Génère les RCF, regroupement de semestres de type Sx pour préparer
-        identifier les redoublements impactant les semestres taggués).
+        le calcul des moyennes par Sx"""
-        """
         # Génère les regroupements de semestres de type Sx
         pe_affichage.pe_print(
             "*** Génère les RCSValid (RCS de même Sx donnant lieu à validation du semestre)"
         )
         self.rcss_jury.cree_rcfs(self.etudiants)
 
+    def _gen_xls_sxtags(self, zipfile: ZipFile):
+        """Génère les semestres taggués en s'appuyant sur les RCF de type Sx (pour
+        identifier les redoublements impactant les semestres taggués).
+        """
         # Génère les moyennes des RCS de type Sx
         pe_affichage.pe_print("*** Calcule les moyennes des SxTag")
 
@@ -216,11 +224,15 @@ class JuryPE(object):
         with pd.ExcelWriter(  # pylint: disable=abstract-class-instantiated
             output, engine="openpyxl"
         ) as writer:
+            onglets = []
             for sxtag in self.sxtags.values():
                 onglet = sxtag.get_repr(verbose=False)
+                onglets += [onglet]
                 df = sxtag.df_moyennes_et_classements()
                 # écriture dans l'onglet
                 df.to_excel(writer, onglet, index=True, header=True)
+            pe_affichage.pe_print(f"=> Export excel de {', '.join(onglets)}")
+
         output.seek(0)
 
         self.add_file_to_zip(
@@ -269,11 +281,14 @@ class JuryPE(object):
         with pd.ExcelWriter(  # pylint: disable=abstract-class-instantiated
             output, engine="openpyxl"
         ) as writer:
+            onglets = []
             for rcs_tag in self.rcss_tags.values():
                 onglet = rcs_tag.get_repr(verbose=False)
+                onglets += [onglet]
                 df = rcs_tag.df_moyennes_et_classements()
                 # écriture dans l'onglet
                 df.to_excel(writer, onglet, index=True, header=True)
+            pe_affichage.pe_print(f"=> Export excel de {', '.join(onglets)}")
         output.seek(0)
 
         self.add_file_to_zip(
@@ -296,12 +311,16 @@ class JuryPE(object):
         with pd.ExcelWriter(  # pylint: disable=abstract-class-instantiated
             output, engine="openpyxl"
         ) as writer:
+            onglets = []
             for interclass_tag in self.interclassements_taggues.values():
                 if interclass_tag.significatif:  # Avec des notes
                     onglet = interclass_tag.get_repr()
+                    onglets += [onglet]
                     df = interclass_tag.df_moyennes_et_classements()
                     # écriture dans l'onglet
                     df.to_excel(writer, onglet, index=True, header=True)
+            pe_affichage.pe_print(f"=> Export excel de {', '.join(onglets)}")
+
         output.seek(0)
 
         self.add_file_to_zip(
@@ -322,9 +341,12 @@ class JuryPE(object):
         with pd.ExcelWriter(  # pylint: disable=abstract-class-instantiated
             output, engine="openpyxl"
         ) as writer:
+            onglets = []
             for onglet, df in self.synthese.items():
+                onglets += [onglet]
                 # écriture dans l'onglet:
                 df.to_excel(writer, onglet, index=True, header=True)
+            pe_affichage.pe_print(f"=> Export excel de {', '.join(onglets)}")
         output.seek(0)
 
         self.add_file_to_zip(
@@ -342,9 +364,12 @@ class JuryPE(object):
         with pd.ExcelWriter(  # pylint: disable=abstract-class-instantiated
             output, engine="openpyxl"
         ) as writer:
+            onglets = []
             for onglet, df in synthese.items():
+                onglets += [onglet]
                 # écriture dans l'onglet:
                 df.to_excel(writer, onglet, index=True, header=True)
+            pe_affichage.pe_print(f"=> Export excel de {', '.join(onglets)}")
         output.seek(0)
 
         self.add_file_to_zip(
@@ -433,7 +458,7 @@ class JuryPE(object):
 
         # Ajout des aggrégats
         for aggregat in pe_rcs.TOUS_LES_RCS:
-            descr = app.pe.rcss.constantes.TYPES_RCS[aggregat]["descr"]
+            descr = rcss_constantes.TYPES_RCS[aggregat]["descr"]
 
             # Les trajectoires (tagguées) suivies par les étudiants pour l'aggrégat et le tag
             # considéré

app/pe/pe_moytag.py

@@ -3,9 +3,7 @@ import pandas as pd
 
 from app import comp
 from app.comp.moy_sem import comp_ranks_series
-from app.models import UniteEns
 from app.pe import pe_affichage
-from app.scodoc.codes_cursus import UE_SPORT
 
 
 class Moyenne:
@@ -24,12 +22,12 @@ class Moyenne:
         """Classe centralisant la synthèse des moyennes/classements d'une série
         de notes :
 
-        * des "notes": la Serie pandas des notes (float),
+        * des "notes" : la Serie pandas des notes (float),
-        * des "classements": la Serie pandas des classements (float),
+        * des "classements" : la Serie pandas des classements (float),
-        * des "min": la note minimum,
+        * des "min" : la note minimum,
-        * des "max": la note maximum,
+        * des "max" : la note maximum,
-        * des "moy": la moyenne,
+        * des "moy" : la moyenne,
-        * des "nb_inscrits": le nombre d'étudiants ayant une note,
+        * des "nb_inscrits" : le nombre d'étudiants ayant une note,
         """
         self.notes = notes
         """Les notes"""
@@ -171,7 +169,7 @@ class MoyennesTag:
             tag: Un tag
             matrice_notes: Les moyennes (etudid x acronymes_ues ou etudid x compétences) aux différentes UEs ou compétences
             matrice_coeffs: Les coeff à appliquer pour le calcul de la moyenne générale
-            # notes_gen: Une série de notes (moyenne) sous forme d'un pd.Series() (toutes UEs confondues)
+            # notes_gen: Une série de notes (moyenne) sous forme d'un ``pd.Series`` (toutes UEs confondues)
         """
         self.tag = tag
         """Le tag associé aux moyennes"""
@@ -207,7 +205,7 @@ class MoyennesTag:
         ont des notes
 
         Returns:
-            True si a des notes, False sinon
+            True si la moytag a des notes, False sinon
         """
         notes = self.matrice_notes
         nbre_nan = notes.isna().sum().sum()

app/pe/pe_rcss_jury.py

@@ -152,7 +152,8 @@ class RCSsJuryPE:
 
                 # Ajout du RCRCF
                 if rcf_id not in self.rcrcfs:
-                    self.rcrcfs[rcf_id] = pe_rcrcf.RCRCF(rcf_id, rcf.formsemestre_final)
+                    rcf_nom = rcf_id[0]
+                    self.rcrcfs[rcf_id] = pe_rcrcf.RCRCF(rcf_nom, rcf.formsemestre_final)
                 rcrcf = self.rcrcfs[rcf_id]
 
                 # Ajout des RCFs au RCRCF

app/pe/pe_rcstag.py

@@ -37,6 +37,7 @@ Created on Fri Sep  9 09:15:05 2016
 """
 
 from app.comp.res_sem import load_formsemestre_results
+from app.models import FormSemestre
 from app.pe import pe_affichage
 import pandas as pd
 import numpy as np
@@ -49,7 +50,7 @@ from app.pe.pe_moytag import MoyennesTag
 
 
 class RCSTag(TableTag):
-    def __init__(self, rcrcf: pe_rcs.RCS, sxstags: dict[(str, int): pe_sxtag.SxTag]):
+    def __init__(self, rcrcf: pe_rcs.RCS, sxstags: dict[(str, int) : pe_sxtag.SxTag]):
         """Calcule les moyennes par tag (orientées compétences)
         d'un regroupement de SxTag
         (RCRCF), pour extraire les classements par tag pour un
@@ -71,17 +72,18 @@ class RCSTag(TableTag):
         self.nom = self.get_repr()
         """Représentation textuelle du RCS taggué"""
 
-        self.formsemestre_terminal = rcrcf.formsemestre_final
+        # Les données du semestre final
-        """Le formsemestre terminal"""
+        self.formsemestre_terminal: FormSemestre = rcrcf.formsemestre_final
+        """Le semestre final"""
+        self.fid_final: int = rcrcf.formsemestre_final.formsemestre_id
+        """Le fid du semestre final"""
 
+        # Affichage pour debug
         pe_affichage.pe_print(f"-> {self.get_repr(verbose=True)}")
 
-        # Les résultats du formsemestre terminal
+        # Les données aggrégés (RCRCF + SxTags
-        nt = load_formsemestre_results(self.formsemestre_terminal)
-
         self.rcfs_aggreges = rcrcf.rcfs_aggreges
         """Les RCFs aggrégés"""
-
         self.sxstags = {}
         """Les SxTag associés aux RCF aggrégés"""
         try:
@@ -91,41 +93,57 @@ class RCSTag(TableTag):
             raise ValueError("Semestres SxTag manquants")
 
         # Les étudiants (etuds, états civils & etudis)
-        self.etuds = nt.etuds
+        sxtag_final = self.sxstags[self.rcs_id]
-        self.add_etuds(nt.etuds)
+        self.etuds = sxtag_final.etuds
+        """Les étudiants (extraits du semestre final)"""
+        self.add_etuds(self.etuds)
         self.etudids_sorted = sorted(self.etudids)
-        """Etudids triés"""
+        """Les étudids triés"""
 
         # Les compétences (extraites de tous les Sxtags)
-        self.association_ues_comp = self.mapping_ue_competences()
+        self.acronymes_ues_to_competences = self._do_acronymes_to_competences()
-        """Association indiquant pour chaque UE , quelle compétence lui correspond"""
+        """L'association acronyme d'UEs -> compétence (extraites des SxTag aggrégés)"""
-        pe_affichage.pe_print(f"* Association UEs -> compétences : {self.association_ues_comp}")
+        pe_affichage.pe_print(
-
+            f"* Association UEs -> compétences : {self.acronymes_ues_to_competences}"
-        self.competences_sorted = self.do_complist()
+        )
-        """Compétences (triées) extraites de tous les SxTag aggrégés"""
+        self.competences_sorted = sorted(self.acronymes_ues_to_competences.values())
+        """Compétences (triées par nom, extraites des SxTag aggrégés)"""
         pe_affichage.pe_print(f"* Compétences : {', '.join(self.competences_sorted)}")
 
         # Les tags
-        self.tags_sorted = self.do_taglist()
+        self.tags_sorted = self._do_taglist()
         """Tags extraits de tous les SxTag aggrégés"""
         pe_affichage.pe_print(f"* Tags : {', '.join(self.tags_sorted)}")
 
         # Les moyennes
         self.moyennes_tags: dict[str, MoyennesTag] = {}
         """Synthétise les moyennes/classements par tag (qu'ils soient personnalisé ou de compétences)"""
-
         for tag in self.tags_sorted:
-            # Cube de note
+            # Cube de notes (etudids_sorted x compétences_sorted x sxstags)
-            notes_cube, coeffs_cube = self.compute_notes_comps_cube(tag, self.etudids_sorted, self.competences_sorted)
+            notes_df, notes_cube = self.compute_notes_comps_cube(
-
+                tag, self.etudids_sorted, self.competences_sorted, self.sxstags
-            # Calcule des moyennes/coeffs sous forme d'un dataframe"""
+            )
-            moys_competences, coeffs_competences = compute_notes_competences(
+            # Calcule des moyennes/coeffs sous forme d'un dataframe"""
-                notes_cube, coeffs_cube, self.etudids_sorted, self.competences_sorted
+            moys_competences = compute_notes_competences(
+                notes_cube, self.etudids_sorted, self.competences_sorted
+            )
+            # Cube de coeffs pour la moyenne générale,
+            # traduisant les inscriptions des étudiants aux UEs (etudids_sorted x compétences_sorted x sxstags)
+            coeffs_df, coeffs_cube = self.compute_coeffs_comps_cube(
+                tag,
+                self.etudids_sorted,
+                self.competences_sorted,
+                self.sxstags,
+            )
+            # Calcule la synthèse des coefficients à prendre en compte pour la moyenne
+            # générale
+            matrice_coeffs_moy_gen = compute_coeffs_competences(
+                coeffs_cube, notes_cube, self.etudids_sorted, self.competences_sorted
+            )
+            # Mémorise les moyennes et les coeff associés
+            self.moyennes_tags[tag] = MoyennesTag(
+                tag, moys_competences, matrice_coeffs_moy_gen
             )
-
-            # Les moyennes
-            self.moyennes_tags[tag] = MoyennesTag(tag, moys_competences,
-                                                  coeffs_competences)
 
     def __eq__(self, other):
         """Egalité de 2 RCS taggués sur la base de leur identifiant"""
@@ -139,107 +157,200 @@ class RCSTag(TableTag):
         else:
             return f"{self.__class__.__name__} ({self.rcs_id})"
 
-    def compute_notes_comps_cube(self, tag, etudids_sorted: list[int], competences_sorted: list[str]):
+    def compute_notes_comps_cube(
-        """Pour un tag donné, construit :
+        self,
-        * le cube de notes (etudid x competences x SxTag) nécessaire au calcul des moyennes,
+        tag,
-          en remplaçant les données d'UE (obtenus du SxTag) par les compétences
+        etudids_sorted: list[int],
-        * le cube de coeffs (etudid x competences x SxTag) (traduisant les inscriptions)
+        competences_sorted: list[str],
-          appliqué au calcul des différents SxTag
+        sxstags: dict[(str, int) : pe_sxtag.SxTag],
+    ):
+        """Pour un tag donné, construit le cube de notes (etudid x competences x SxTag)
+        nécessaire au calcul des moyennes,
+        en remplaçant les données d'UE (obtenus du SxTag) par les compétences
 
         Args:
             tag: Le tag visé
-            etudids_sorted: Les etudis triés
+            etudids_sorted: Les etudis triés (dim 0)
-            competences_sorted: Les compétences triées
+            competences_sorted: Les compétences triées (dim 1)
+            sxstags: Les SxTag à réunir
         """
-        # nb_tags = len(self.tags_sorted)
-        # nb_etudiants = len(self.etuds)
-        # nb_semestres = len(self.semestres_tags_aggreges)
-
-        # Index du cube (etudids -> dim 0, tags -> dim 1)
-        # etudids = [etud.etudid for etud in self.etuds]
-        # competences_sorted = self.competences_sorted
-        sxstags_ids = list(self.sxstags.keys())
-
         notes_dfs = {}
-        coeffs_dfs = {}
 
-        for sxtag_id, sxtag in self.sxstags.items():
+        for sxtag_id, sxtag in sxstags.items():
             # Partant d'un dataframe vierge
-            notes_df = pd.DataFrame(np.nan, index=etudids_sorted, columns=competences_sorted)
+            notes_df = pd.DataFrame(
-            coeffs_df = pd.DataFrame(np.nan, index=etudids_sorted, columns=competences_sorted)
+                np.nan, index=etudids_sorted, columns=competences_sorted
-
+            )
+            # Charge les notes du semestre tag (copie car changement de nom de colonnes à venir)
             moys_tag = sxtag.moyennes_tags[tag]
-
-            # Charge les notes et les coeffs du semestre tag
             notes = moys_tag.matrice_notes.copy()  # avec une copie
-            coeffs = moys_tag.matrice_coeffs_moy_gen.copy()  # les coeffs
 
-            # Traduction des UE en compétences
+            # Traduction des acronymes d'UE en compétences
-            ues_columns_df = notes.columns
+            acronymes_ues_columns = notes.columns
-            comp_associes_aux_ues = [self.association_ues_comp[ue] for ue in ues_columns_df]
+            acronymes_to_comps = [
-            notes.columns = comp_associes_aux_ues
+                self.acronymes_ues_to_competences[acro]
-            coeffs.columns = comp_associes_aux_ues
+                for acro in acronymes_ues_columns
+            ]
+            notes.columns = acronymes_to_comps
 
             # Les étudiants et les compétences communes
-            etudids_communs, comp_communes = pe_comp.find_index_and_columns_communs(notes_df, notes)
+            etudids_communs, comp_communes = pe_comp.find_index_and_columns_communs(
+                notes_df, notes
+            )
 
             # Recopie des notes et des coeffs
             notes_df.loc[etudids_communs, comp_communes] = notes.loc[
                 etudids_communs, comp_communes
             ]
+
+            # Supprime tout ce qui n'est pas numérique
+            # for col in notes_df.columns:
+            #    notes_df[col] = pd.to_numeric(notes_df[col], errors="coerce")
+
+            # Stocke les dfs
+            notes_dfs[sxtag_id] = notes_df
+
+        """Réunit les notes sous forme d'un cube etudids x competences x semestres"""
+        sxtag_x_etudids_x_comps = [notes_dfs[sxtag_id] for sxtag_id in sxstags]
+        notes_etudids_x_comps_x_sxtag = np.stack(sxtag_x_etudids_x_comps, axis=-1)
+
+        return notes_dfs, notes_etudids_x_comps_x_sxtag
+
+    def compute_coeffs_comps_cube(
+        self,
+        tag,
+        etudids_sorted: list[int],
+        competences_sorted: list[str],
+        sxstags: dict[(str, int) : pe_sxtag.SxTag],
+    ):
+        """Pour un tag donné, construit
+        le cube de coeffs (etudid x competences x SxTag) (traduisant les inscriptions
+        des étudiants aux UEs en fonction de leur parcours)
+        qui s'applique aux différents SxTag
+        en remplaçant les données d'UE (obtenus du SxTag) par les compétences
+
+        Args:
+            tag: Le tag visé
+            etudids_sorted: Les etudis triés
+            competences_sorted: Les compétences triées
+            sxstags: Les SxTag à réunir
+        """
+        coeffs_dfs = {}
+
+        for sxtag_id, sxtag in sxstags.items():
+            # Partant d'un dataframe vierge
+            coeffs_df = pd.DataFrame(
+                np.nan, index=etudids_sorted, columns=competences_sorted
+            )
+
+            moys_tag = sxtag.moyennes_tags[tag]
+
+            # Charge les notes et les coeffs du semestre tag
+            coeffs = moys_tag.matrice_coeffs_moy_gen.copy()  # les coeffs
+
+            # Traduction des acronymes d'UE en compétences
+            acronymes_ues_columns = coeffs.columns
+            acronymes_to_comps = [
+                self.acronymes_ues_to_competences[acro]
+                for acro in acronymes_ues_columns
+            ]
+            coeffs.columns = acronymes_to_comps
+
+            # Les étudiants et les compétences communes
+            etudids_communs, comp_communes = pe_comp.find_index_and_columns_communs(
+                coeffs_df, coeffs
+            )
+
+            # Recopie des notes et des coeffs
             coeffs_df.loc[etudids_communs, comp_communes] = coeffs.loc[
                 etudids_communs, comp_communes
             ]
 
-            # Supprime tout ce qui n'est pas numérique
-            for col in notes_df.columns:
-                notes_df[col] = pd.to_numeric(notes_df[col], errors="coerce")
-
             # Stocke les dfs
-            notes_dfs[sxtag_id] = notes_df
             coeffs_dfs[sxtag_id] = coeffs_df
 
-        """Réunit les notes sous forme d'un cube etudids x competences x semestres"""
-        sxtag_x_etudids_x_comps = [notes_dfs[fid].values for fid in notes_dfs]
-        notes_etudids_x_comps_x_sxtag = np.stack(sxtag_x_etudids_x_comps, axis=-1)
-
         """Réunit les coeffs sous forme d'un cube etudids x competences x semestres"""
-        sxtag_x_etudids_x_comps = [coeffs_dfs[fid].values for fid in notes_dfs]
+        sxtag_x_etudids_x_comps = [coeffs_dfs[sxtag_id] for sxtag_id in sxstags]
         coeffs_etudids_x_comps_x_sxtag = np.stack(sxtag_x_etudids_x_comps, axis=-1)
 
-        return notes_etudids_x_comps_x_sxtag, coeffs_etudids_x_comps_x_sxtag
+        return coeffs_dfs, coeffs_etudids_x_comps_x_sxtag
 
-    def do_taglist(self):
+    def _do_taglist(self) -> list[str]:
-        """Synthétise les tags à partir des Sxtags aggrégés
+        """Synthétise les tags à partir des Sxtags aggrégés.
 
         Returns:
-            Une liste de tags triés par ordre alphabétique
+            Liste de tags triés par ordre alphabétique
         """
         tags = []
         for frmsem_id in self.sxstags:
             tags.extend(self.sxstags[frmsem_id].tags_sorted)
         return sorted(set(tags))
 
-    def mapping_ue_competences(self):
+    def _do_acronymes_to_competences(self) -> dict[str:str]:
-        """Dictionnaire {ue: competences} extrait des SxTags"""
+        """Synthétise l'association complète {acronyme_ue: competences}
+        extraite de toutes les données/associations des SxTags
+        aggrégés.
+
+        Returns:
+            Un dictionnaire {'acronyme_ue' : 'compétences'}
+        """
         dict_competences = {}
         for sxtag_id, sxtag in self.sxstags.items():
-            comp = sxtag.competences
+            dict_competences |= sxtag.acronymes_ues_to_competences
-            dict_competences |= comp
         return dict_competences
 
-    def do_complist(self):
+
-        """Synthétise les compétences à partir des Sxtags aggrégés"""
+def compute_coeffs_competences(
-        dict_competences = self.mapping_ue_competences()
+    coeff_cube: np.array,
-        return sorted(set(dict_competences.values()))
+    set_cube: np.array,
+    etudids_sorted: list,
+    competences_sorted: list,
+):
+    """Calcule les coeffs à utiliser pour la moyenne générale (toutes compétences
+    confondues), en fonction des notes (set_cube) aggrégées.
+
+    Args:
+        coeffs_cube: coeffs impliqués dans la moyenne générale (semestres par semestres)
+        set_cube: notes moyennes aux modules ndarray
+                 (etuds x UEs|compétences x sxtags), des floats avec des NaN
+        etudids_sorted: liste des étudiants (dim. 0 du cube)
+        competences_sorted: list
+
+    Returns:
+        Un DataFrame de coefficients (etudids_sorted x compétences_sorted)
+    """
+    nb_etuds, nb_comps, nb_semestres = set_cube.shape
+    assert nb_etuds == len(etudids_sorted)
+    assert nb_comps == len(competences_sorted)
+
+    # Quelles entrées du cube contiennent des notes ?
+    mask = ~np.isnan(set_cube)
+
+    # Enlève les NaN du cube de notes pour les entrées manquantes
+    coeffs_cube_no_nan = np.nan_to_num(coeff_cube, nan=0.0)
+
+    # Retire les coefficients associées à des données sans notes
+    coeffs_cube_no_nan = coeffs_cube_no_nan * mask
+
+    # Somme les coefficients (correspondant à des notes)
+    coeff_tag = np.sum(coeffs_cube_no_nan, axis=2)
+
+    # Le dataFrame des coeffs
+    coeffs_df = pd.DataFrame(
+        coeff_tag, index=etudids_sorted, columns=competences_sorted
+    )
+    # Remet à Nan les coeffs à 0
+    coeffs_df.fillna(np.nan)
+
+    return coeffs_df
 
 
 def compute_notes_competences(
-    set_cube: np.array, coeff_cube: np.array, etudids_sorted: list, competences_sorted: list
+    set_cube: np.array,
+    etudids_sorted: list,
+    competences_sorted: list,
 ):
-    """Calcule:
+    """Calcule la moyenne par compétences (à un tag donné) sur plusieurs semestres (partant du set_cube).
-    * la moyenne par compétences à un tag donné sur plusieurs semestres (partant du set_cube).
-    * la somme des coeffs à utiliser pour la moyenne générale.
 
     La moyenne est un nombre (note/20), ou NaN si pas de notes disponibles
 
@@ -249,7 +360,6 @@ def compute_notes_competences(
     Args:
         set_cube: notes moyennes aux modules ndarray
                  (etuds x UEs|compétences x sxtags), des floats avec des NaN
-        coeffs_cube: somme des coeffs impliqués dans la moyennes
         etudids_sorted: liste des étudiants (dim. 0 du cube)
         competences_sorted: list
         tags: liste des tags (dim. 1 du cube)
@@ -266,13 +376,10 @@ def compute_notes_competences(
 
     # Enlève les NaN du cube de notes pour les entrées manquantes
     set_cube_no_nan = np.nan_to_num(set_cube, nan=0.0)
-    coeffs_cube_no_nan = np.nan_to_num(coeff_cube, nan=0.0)
 
     # Les moyennes par tag
     with np.errstate(invalid="ignore"):  # ignore les 0/0 (-> NaN)
         etud_moy_tag = np.sum(set_cube_no_nan, axis=2) / np.sum(mask, axis=2)
-    # La somme des coeffs
-    coeff_tag = np.sum(coeffs_cube_no_nan, axis=2)
 
     # Le dataFrame des notes moyennes
     etud_moy_tag_df = pd.DataFrame(
@@ -282,7 +389,4 @@ def compute_notes_competences(
     )
     etud_moy_tag_df.fillna(np.nan)
 
-    coeffs_df = pd.DataFrame(coeff_tag, index=etudids_sorted, columns=competences_sorted)
+    return etud_moy_tag_df
-    coeffs_df.fillna(np.nan)
-
-    return etud_moy_tag_df, coeffs_df

app/pe/pe_ressemtag.py

@@ -41,7 +41,7 @@ from app import db, ScoValueError
 from app import comp
 from app.comp.res_but import ResultatsSemestreBUT
 from app.comp.res_sem import load_formsemestre_results
-from app.models import FormSemestre
+from app.models import FormSemestre, UniteEns
 from app.models.moduleimpls import ModuleImpl
 import app.pe.pe_affichage as pe_affichage
 import app.pe.pe_etudiant as pe_etudiant
@@ -55,7 +55,7 @@ class ResSemBUTTag(ResultatsSemestreBUT, pe_tabletags.TableTag):
     """
     Un ResSemBUTTag représente les résultats des étudiants à un semestre, en donnant
     accès aux moyennes par tag.
-    Il s'appuie principalement sur FormSemestre et sur ResultatsSemestreBUT.
+    Il s'appuie principalement sur un ResultatsSemestreBUT.
     """
 
     def __init__(self, formsemestre: FormSemestre):
@@ -69,51 +69,59 @@ class ResSemBUTTag(ResultatsSemestreBUT, pe_tabletags.TableTag):
         # Le nom du res_semestre taggué
         self.nom = self.get_repr(verbose=True)
 
-        pe_affichage.pe_print(f"--> Résultats de semestre taggués {self.nom}")
+        pe_affichage.pe_print(f"--> ResultatsSemestreBUT taggués {self.nom}")
 
         # Les étudiants (etuds, états civils & etudis) ajouté
         self.add_etuds(self.etuds)
         self.etudids_sorted = sorted(self.etudids)
+        """Les etudids des étudiants du ResultatsSemestreBUT triés"""
 
         # Les UEs (et les dispenses d'UE)
-        # self.ues
+        self.ues_standards: list[UniteEns] = [
-        ues_standards = [ue for ue in self.ues if ue.type == sco_codes.UE_STANDARD]
+            ue for ue in self.ues if ue.type == sco_codes.UE_STANDARD
+        ]
+        """Liste des UEs standards du ResultatsSemestreBUT"""
 
         # Les UEs en fonction des parcours
         self.ues_inscr_parcours_df = self.load_ues_inscr_parcours()
-
+        """Les inscriptions des étudiants aux UEs du parcours"""
-        # Les compétences associées aux UEs (définies par les acronymes)
-        self.competences = {}
-        """L'association acronyme d'UEs -> compétence"""
-        for ue in self.ues:
-            if ue.type == sco_codes.UE_STANDARD:
-                assert ue.niveau_competence, ScoValueError(
-                    "Des UEs ne sont pas rattachées à des compétences"
-                )
-                nom = ue.niveau_competence.competence.titre
-                self.competences[ue.acronyme] = nom
-
         # Les acronymes des UEs
-        self.ues_to_acronymes = {ue.id: ue.acronyme for ue in ues_standards}
+        self.ues_to_acronymes = {ue.id: ue.acronyme for ue in self.ues_standards}
         self.acronymes_sorted = sorted(self.ues_to_acronymes.values())
         """Les acronymes de UE triés par ordre alphabétique"""
 
+        # Les compétences associées aux UEs (définies par les acronymes)
+        self.acronymes_ues_to_competences = {}
+        """L'association acronyme d'UEs -> compétence"""
+        for ue in self.ues_standards:
+            assert ue.niveau_competence, ScoValueError(
+                "Des UEs ne sont pas rattachées à des compétences"
+            )
+            nom = ue.niveau_competence.competence.titre
+            self.acronymes_ues_to_competences[ue.acronyme] = nom
+        self.competences_sorted = sorted(
+            list(set(self.acronymes_ues_to_competences.values()))
+        )
+        """Les compétences triées par nom"""
+
         # Les tags personnalisés et auto:
         tags_dict = self._get_tags_dict()
         self._check_tags(tags_dict)
 
-        # Les coefficients pour le calcul de la moyenne générale
+        # Les coefficients pour le calcul de la moyenne générale, donnés par
-        self.matrice_coeffs_moy_gen = self.ues_inscr_parcours_df * [
+        # acronymes d'UE
-            ue.ects for ue in ues_standards  # if ue.type != UE_SPORT <= déjà supprimé
+        self.matrice_coeffs_moy_gen = self._get_matrice_coeffs(
-        ]
+            self.ues_inscr_parcours_df, self.ues_standards
+        )
+        """DataFrame indiquant les coeffs des UEs par ordre alphabétique d'acronyme"""
 
         # Les capitalisations (mask etuids x acronyme_ue valant True si capitalisée, False sinon)
-        self.capitalisations = self._get_capitalisations(ues_standards)
+        self.capitalisations = self._get_capitalisations(self.ues_standards)
-
+        """DataFrame indiquant les UEs capitalisables d'un étudiant (etudids x )"""
 
         # Calcul des moyennes & les classements de chaque étudiant à chaque tag
         self.moyennes_tags = {}
-
+        """Les moyennes par tags (personnalisés ou 'but')"""
         for tag in tags_dict["personnalises"]:
             # pe_affichage.pe_print(f"  -> Traitement du tag {tag}")
             infos_tag = tags_dict["personnalises"][tag]
@@ -123,49 +131,76 @@ class ResSemBUTTag(ResultatsSemestreBUT, pe_tabletags.TableTag):
             )
 
         # Ajoute les moyennes par UEs + la moyenne générale (but)
-        df_ues = pd.DataFrame(
+        moy_gen = self.compute_moy_gen()
-            {ue.id: self.etud_moy_ue[ue.id] for ue in ues_standards},
-            index=self.etudids,
-        )
-        # Transforme les UEs en acronyme
-        colonnes = df_ues.columns
-        acronymes = [self.ues_to_acronymes[col] for col in colonnes]
-        df_ues.columns = acronymes
-
         self.moyennes_tags["but"] = MoyennesTag(
-            "but", df_ues, self.matrice_coeffs_moy_gen  # , moy_gen_but
+            "but", moy_gen, self.matrice_coeffs_moy_gen  # , moy_gen_but
         )
 
         self.tags_sorted = self.get_all_tags()
         """Tags (personnalisés+compétences) par ordre alphabétique"""
 
-    def get_repr(self, verbose=False):
+    def get_repr(self, verbose=False) -> str:
-        """Nom affiché pour le semestre taggué"""
+        """Nom affiché pour le semestre taggué, de la forme (par ex.):
-        if verbose:
+
-            return f"{self.formsemestre} (#{self.formsemestre.formsemestre_id})"
+        * S1#69 si verbose est False
+        * S1 FI 2023 si verbose est True
+        """
+        if not verbose:
+            return f"{self.formsemestre}#{self.formsemestre.formsemestre_id}"
         else:
             return pe_etudiant.nom_semestre_etape(self.formsemestre, avec_fid=True)
 
-    def _get_capitalisations(self, ues_hors_sport) -> pd.DataFrame:
+    def _get_matrice_coeffs(
-        """Renvoie un dataFrame résumant les UEs capitalisables par les
+        self, ues_inscr_parcours_df: pd.DataFrame, ues_standards: list[UniteEns]
-        étudiants, d'après les décisions de jury
+    ) -> pd.DataFrame:
+        """Renvoie un dataFrame donnant les coefficients à appliquer aux UEs
+        dans le calcul de la moyenne générale (toutes UEs confondues).
+        Prend en compte l'inscription des étudiants aux UEs en fonction de leur parcours
+        (cf. ues_inscr_parcours_df).
 
         Args:
-            ues_hors_sport: Liste des UEs autres que le sport
+            ues_inscr_parcours_df: Les inscriptions des étudiants aux UEs
+            ues_standards: Les UEs standards à prendre en compte
+
+        Returns:
+            Un dataFrame etudids x acronymes_UEs avec les coeffs des UEs
         """
-        capitalisations = pd.DataFrame(False, index=self.etudids_sorted, columns=self.acronymes_sorted)
+        matrice_coeffs_moy_gen = ues_inscr_parcours_df * [
+            ue.ects for ue in ues_standards  # if ue.type != UE_SPORT <= déjà supprimé
+        ]
+        matrice_coeffs_moy_gen.columns = [
+            self.ues_to_acronymes[ue.id] for ue in ues_standards
+        ]
+        # Tri par etudids (dim 0) et par acronymes (dim 1)
+        matrice_coeffs_moy_gen = matrice_coeffs_moy_gen.sort_index()
+        matrice_coeffs_moy_gen = matrice_coeffs_moy_gen.sort_index(axis=1)
+        return matrice_coeffs_moy_gen
+
+    def _get_capitalisations(self, ues_standards) -> pd.DataFrame:
+        """Renvoie un dataFrame résumant les UEs capitalisables par les
+        étudiants, d'après les décisions de jury (sous réserve qu'elles existent).
+
+        Args:
+            ues_standards: Liste des UEs standards (notamment autres que le sport)
+        Returns:
+            Un dataFrame etudids x acronymes_UEs dont les valeurs sont ``True`` si l'UE
+            est capitalisable, ``False`` sinon
+        """
+        capitalisations = pd.DataFrame(
+            False, index=self.etudids_sorted, columns=self.acronymes_sorted
+        )
         self.get_formsemestre_validations()  # charge les validations
         res_jury = self.validations
         if res_jury:
             for etud in self.etuds:
                 etudid = etud.etudid
                 decisions = res_jury.decisions_jury_ues.get(etudid, {})
-                for ue in ues_hors_sport:
+                for ue in ues_standards:
                     if ue.id in decisions and decisions[ue.id]["code"] == sco_codes.ADM:
                         capitalisations.loc[etudid, ue.acronyme] = True
-                        # pe_affichage.pe_print(
+        # Tri par etudis et par accronyme d'UE
-                        #    f"   ⚠ Capitalisation de {ue.acronyme} pour {etud.etat_civil}"
+        capitalisations = capitalisations.sort_index()
-                        # )
+        capitalisations = capitalisations.sort_index(axis=1)
         return capitalisations
 
     def compute_moy_ues_tag(self, info_tag: dict[int, dict]) -> pd.DataFrame:
@@ -208,14 +243,38 @@ class ResSemBUTTag(ResultatsSemestreBUT, pe_tabletags.TableTag):
             block=self.formsemestre.block_moyennes,
         )
 
+        # Ne conserve que les UEs standards
+        colonnes = [ue.id for ue in self.ues_standards]
+        moyennes_ues_tag = moyennes_ues_tag[colonnes]
+
         # Transforme les UEs en acronyme
-        colonnes = moyennes_ues_tag.columns
+        acronymes = [self.ues_to_acronymes[ue.id] for ue in self.ues_standards]
-        ue_to_acro = {ue.id: ue.acronyme for ue in self.ues}
-        acronymes = [ue_to_acro[col] for col in colonnes]
         moyennes_ues_tag.columns = acronymes
 
+        # Tri par etudids et par ordre alphabétique d'acronyme
+        moyennes_ues_tag = moyennes_ues_tag.sort_index()
+        moyennes_ues_tag = moyennes_ues_tag.sort_index(axis=1)
+
         return moyennes_ues_tag
 
+    def compute_moy_gen(self):
+        """Récupère les moyennes des UEs pour le calcul de la moyenne générale,
+        en associant à chaque UE.id son acronyme (toutes UEs confondues)
+        """
+        df_ues = pd.DataFrame(
+            {ue.id: self.etud_moy_ue[ue.id] for ue in self.ues_standards},
+            index=self.etudids,
+        )
+        # Transforme les UEs en acronyme
+        colonnes = df_ues.columns
+        acronymes = [self.ues_to_acronymes[col] for col in colonnes]
+        df_ues.columns = acronymes
+
+        # Tri par ordre aphabétique de colonnes
+        df_ues.sort_index(axis=1)
+
+        return df_ues
+
     def _get_tags_dict(self):
         """Renvoie les tags personnalisés (déduits des modules du semestre)
         et les tags automatiques ('but'), et toutes leurs informations,

app/pe/pe_sxtag.py

@@ -54,20 +54,24 @@ class SxTag(TableTag):
         ressembuttags: dict[int, pe_ressemtag.ResSemBUTTag],
     ):
         """Calcule les moyennes/classements par tag d'un semestre de type 'Sx'
-        (par ex. 'S1', 'S2', ...) avec une orientation par UE :
+        (par ex. 'S1', 'S2', ...) représentés par acronyme d'UE.
 
-        * pour les étudiants non redoublants, ce sont les moyennes/classements
+        Il représente :
+
+        * pour les étudiants *non redoublants* : moyennes/classements
           du semestre suivi
-        * pour les étudiants redoublants, c'est une fusion des moyennes/classements
+        * pour les étudiants *redoublants* : une fusion des moyennes/classements
-          dans les (2) 'Sx' qu'il a suivi
+          dans les (2) 'Sx' qu'il a suivi, en exploitant les informations de capitalisation :
+          meilleure moyenne entre l'UE capitalisée et l'UE refaite (la notion de meilleure
+          s'appliquant à la moyenne d'UE)
 
-        Un SxTag peut donc regrouper plusieurs semestres.
+        Un SxTag (regroupant potentiellement plusieurs semestres) est identifié
+        par un tuple ``(Sx, fid)`` où :
 
-        Un SxTag est identifié par un tuple (x, fid) où x est le numéro (semestre_id)
+        * ``x`` est le rang (semestre_id) du semestre
-        du semestre et fid le formsemestre_id du semestre final (le plus récent) du
+        * ``fid`` le formsemestre_id du semestre final (le plus récent) du regroupement.
-        regrouprement.
 
-        Les **tags**, les **UE** et les inscriptions aux UEs (pour les etudiants)
+        Les **tags**, les **UE** et les inscriptions aux UEs (pour les étudiants)
         considérés sont uniquement ceux du semestre final.
 
         Args:
@@ -85,6 +89,7 @@ class SxTag(TableTag):
 
         self.rcf = rcf
         """Le RCF sur lequel il s'appuie"""
+        assert rcf.rcs_id == sxtag_id, "Problème de correspondance SxTag/RCF"
 
         # Les resultats des semestres taggués à prendre en compte dans le RCF
         self.ressembuttags = {fid: ressembuttags[fid] for fid in rcf.semestres_aggreges}
@@ -95,10 +100,9 @@ class SxTag(TableTag):
         self.ressembuttag_final = ressembuttags[self.fid_final]
         """Le ResSemBUTTag final"""
 
-        self.etuds = ressembuttags[self.fid_final].etuds
+        # Ajoute les etudids et les états civils
-        """Les étudiants du ReSemBUTTag final"""
+        self.etuds = self.ressembuttag_final.etuds
-
+        """Les étudiants (extraits du ReSemBUTTag final)"""
-        # Ajout les etudids et les états civils
         self.add_etuds(self.etuds)
         self.etudids_sorted = sorted(self.etudids)
         """Les etudids triés"""
@@ -108,88 +112,93 @@ class SxTag(TableTag):
 
         # Les tags
         self.tags_sorted = self.ressembuttag_final.tags_sorted
-        """Tags (extraits uniquement du semestre final)"""
+        """Tags (extraits du ReSemBUTTag final)"""
         pe_affichage.pe_print(f"* Tags : {', '.join(self.tags_sorted)}")
 
-        # Les UE
+        # Les UE données par leur acronyme
-        moy_sem_final = self.ressembuttag_final.moyennes_tags["but"]
+        self.acronymes_sorted = self.ressembuttag_final.acronymes_sorted
-        self.ues = list(moy_sem_final.matrice_notes.columns)
+        """Les acronymes des UEs (extraits du ResSemBUTTag final)"""
 
         # L'association UE-compétences extraites du dernier semestre
-        self.competences = self.ressembuttag_final.competences
+        self.acronymes_ues_to_competences = (
+            self.ressembuttag_final.acronymes_ues_to_competences
+        )
+        """L'association acronyme d'UEs -> compétence"""
+        self.competences_sorted = sorted(self.acronymes_ues_to_competences.values())
+        """Les compétences triées par nom"""
 
-        # Les acronymes des UE
+        # Les coeffs pour la moyenne générale (traduisant également l'inscription
-        self.acronymes_ues_sorted = sorted(self.ues)
+        # des étudiants aux UEs) (etudids_sorted x acronymes_ues_sorted)
-
+        self.matrice_coeffs_moy_gen = self.ressembuttag_final.matrice_coeffs_moy_gen
-        # Les inscriptions des étudiants aux UEs
-        # => ne conserve que les UEs du semestre final (pour les redoublants)
-        self.ues_inscr_parcours_df = self.ressembuttag_final.ues_inscr_parcours_df
-        self.ues_inscr_parcours_df.sort_index()
-
-        # Les coeffs pour la moyenne générale
-        self.matrice_coeffs_moy_gen = self.ressembuttag_final.moyennes_tags[
-            "but"
-        ].matrice_coeffs_moy_gen
-        self.matrice_coeffs_moy_gen.sort_index()  # Trie les coeff par etudids
-
-        # Les moyennes par tag
-        self.moyennes_tags: dict[str, pd.DataFrame] = {}
-        """Les notes aux UEs dans différents tags"""
 
         # Masque des inscriptions et des capitalisations
-        self.masque_df, masque_cube = compute_masques_ues_cube(
+        self.masque_df = None
+        """Le DataFrame traduisant les capitalisations des différents semestres"""
+        self.masque_df, masque_cube = compute_masques_capitalisation_cube(
             self.etudids_sorted,
-            self.acronymes_ues_sorted,
+            self.acronymes_sorted,
             self.ressembuttags,
             self.fid_final,
         )
         self._aff_capitalisations()
 
+        # Les moyennes par tag
+        self.moyennes_tags: dict[str, pd.DataFrame] = {}
+        """Moyennes aux UEs (identifiées par leur acronyme) des différents tags"""
         for tag in self.tags_sorted:
             # Y-a-t-il des notes ?
             if not self.has_notes(tag):
                 pe_affichage.pe_print(f"> MoyTag 🏷{tag} actuellement sans ◯ notes")
-                matrice_moys_ues = pd.DataFrame(np.nan, index=self.etudids_sorted, columns=self.acronymes_ues_sorted)
+                matrice_moys_ues = pd.DataFrame(
-
+                    np.nan, index=self.etudids_sorted, columns=self.acronymes_sorted
+                )
             else:
                 # Cube de note etudids x UEs
                 notes_df, notes_cube = compute_notes_ues_cube(
                     tag,
                     self.etudids_sorted,
-                    self.acronymes_ues_sorted,
+                    self.acronymes_sorted,
                     self.ressembuttags,
                 )
 
-                # self.ues_inscr_parcours = ~np.isnan(self.matrice_coeffs.to_numpy())
+                # Masque des inscriptions aux UEs (extraits de la matrice de coefficients)
-                # inscr_mask = self.ues_inscr_parcours
+                inscr_mask: np.array = ~np.isnan(self.matrice_coeffs_moy_gen.to_numpy())
 
-                # Calcule des moyennes sous forme d'un dataframe
+                # Matrice des moyennes
-                inscr_mask = ~np.isnan(self.ues_inscr_parcours_df.to_numpy())
                 matrice_moys_ues: pd.DataFrame = compute_notes_ues(
                     notes_cube,
                     masque_cube,
                     self.etudids_sorted,
-                    self.acronymes_ues_sorted,
+                    self.acronymes_sorted,
                     inscr_mask,
                 )
 
-                # Les profils d'ects (pour debug)
+                # Affichage de debug
-                profils_ects = []
+                self.__aff_profil_coeff_ects(tag)
-                for i in self.matrice_coeffs_moy_gen.index:
-                    val = tuple(self.matrice_coeffs_moy_gen.loc[i].fillna("x"))
-                    if tuple(val) not in profils_ects:
-                        profils_ects.append(tuple(val))
-                pe_affichage.pe_print(
-                    f"> MoyTag 🏷{tag} avec "
-                    + f"ues={self.acronymes_ues_sorted} "
-                    + f"ects={profils_ects}"
-                )
 
-            # Les moyennes au tag
+            # Mémorise les infos pour la moyennes au tag
             self.moyennes_tags[tag] = MoyennesTag(
-                    tag, matrice_moys_ues, self.matrice_coeffs_moy_gen
+                tag, matrice_moys_ues, self.matrice_coeffs_moy_gen
-                )
+            )
 
+    def __aff_profil_coeff_ects(self, tag):
+        """Extrait de la matrice des coeffs, les différents types d'inscription
+        et de coefficients (appelés profil) des étudiants et les affiche
+        (pour debug)
+        """
+
+        # Les profils d'ects (pour debug)
+        profils_ects = []
+        for i in self.matrice_coeffs_moy_gen.index:
+            val = tuple(self.matrice_coeffs_moy_gen.loc[i].fillna("x"))
+            if tuple(val) not in profils_ects:
+                profils_ects.append(tuple(val))
+
+        # L'affichage
+        ues = ", ".join(self.acronymes_sorted)
+        pe_affichage.pe_print(
+            f"> MoyTag 🏷{tag} avec " + f"ues={ues} " + f"inscr/ects={profils_ects}"
+        )
 
     def has_notes(self, tag):
         """Détermine si le SxTag, pour un tag donné, est en cours d'évaluation.
@@ -229,7 +238,7 @@ class SxTag(TableTag):
             cap = []
             for frmsem_id in self.ressembuttags:
                 if frmsem_id != self.fid_final:
-                    for accr in self.acronymes_ues_sorted:
+                    for accr in self.acronymes_sorted:
                         if self.masque_df[frmsem_id].loc[etud.etudid, accr] > 0.0:
                             cap += [accr]
             if cap:
@@ -239,7 +248,7 @@ class SxTag(TableTag):
 
 
 def compute_notes_ues_cube(
-    tag, etudids_sorted, acronymes_ues_sorted, ressembuttags
+    tag, etudids_sorted, acronymes_sorted, ressembuttags
 ) -> (pd.DataFrame, np.array):
     """Construit le cube de notes des UEs (etudid x accronyme_ue x semestre_aggregé)
     nécessaire au calcul des moyennes du tag pour le RCS Sx.
@@ -247,7 +256,7 @@ def compute_notes_ues_cube(
 
     Args:
         etudids_sorted: La liste des etudids triés par ordre croissant (dim 0)
-        acronymes_ues_sorted: La liste des acronymes de UEs triés par acronyme croissant (dim 1)
+        acronymes_sorted: La liste des acronymes de UEs triés par acronyme croissant (dim 1)
         ressembuttags: Le dictionnaire des résultats de semestres BUT (tous tags confondus)
     """
     # Index du cube (etudids -> dim 0, ues -> dim 1, semestres -> dim2)
@@ -259,7 +268,7 @@ def compute_notes_ues_cube(
 
     for frmsem_id in semestres_id:
         # Partant d'un dataframe vierge
-        df = pd.DataFrame(np.nan, index=etudids_sorted, columns=acronymes_ues_sorted)
+        df = pd.DataFrame(np.nan, index=etudids_sorted, columns=acronymes_sorted)
 
         # Charge les notes du semestre tag
         sem_tag = ressembuttags[frmsem_id]
@@ -289,23 +298,27 @@ def compute_notes_ues_cube(
     return dfs, etudids_x_ues_x_semestres
 
 
-def compute_masques_ues_cube(
+def compute_masques_capitalisation_cube(
     etudids_sorted: list[int],
-    acronymes_ues_sorted: list[str],
+    acronymes_sorted: list[str],
     ressembuttags: dict[int, pe_ressemtag.ResSemBUTTag],
     formsemestre_id_final: int,
 ) -> (pd.DataFrame, np.array):
-    """Construit le cube traduisant le masque des UEs à prendre en compte dans le calcul
+    """Construit le cube traduisant les masques des UEs à prendre en compte dans le calcul
-    des moyennes, en utilisant le df capitalisations de chaque ResSemBUTTag
+    des moyennes, en utilisant le dataFrame de capitalisations de chaque ResSemBUTTag
 
-    Ce masque contient : 1 si la note doit être prise en compte ; 0 sinon
+    Ces masques contiennent : 1 si la note doit être prise en compte, 0 sinon
+
+    Le masque des UEs à prendre en compte correspondant au semestre final (identifié par
+    son formsemestre_id_final) est systématiquement à 1 (puisque les résultats
+    de ce semestre doivent systématiquement
+    être pris en compte notamment pour les étudiants non redoublant).
 
     Args:
         etudids_sorted: La liste des etudids triés par ordre croissant (dim 0)
-        acronymes_ues_sorted: La liste des acronymes de UEs triés par acronyme croissant (dim 1)
+        acronymes_sorted: La liste des acronymes de UEs triés par acronyme croissant (dim 1)
-        # ues_inscr_parcours_df: Le dataFrame des inscriptions au UE en fonction du parcours
         ressembuttags: Le dictionnaire des résultats de semestres BUT (tous tags confondus)
-        formsemestre_id_final: L'identifiant du formsemestre_id_final (dont il faut forcément prendre en compte les coeffs)
+        formsemestre_id_final: L'identifiant du formsemestre_id_final
     """
     # Index du cube (etudids -> dim 0, ues -> dim 1, semestres -> dim2)
     # etudids_sorted = etudids_sorted
@@ -317,15 +330,16 @@ def compute_masques_ues_cube(
     for frmsem_id in semestres_id:
         # Partant d'un dataframe contenant des 1.0
         if frmsem_id == formsemestre_id_final:
-            df = pd.DataFrame(1.0, index=etudids_sorted, columns=acronymes_ues_sorted)
+            df = pd.DataFrame(1.0, index=etudids_sorted, columns=acronymes_sorted)
         else:  # semestres redoublés
-            df = pd.DataFrame(0.0, index=etudids_sorted, columns=acronymes_ues_sorted)
+            df = pd.DataFrame(0.0, index=etudids_sorted, columns=acronymes_sorted)
 
-            # Traitement des capitalisations
+            # Traitement des capitalisations : remplace les infos de capitalisations par les coeff 1 ou 0
             capitalisations = ressembuttags[frmsem_id].capitalisations
             capitalisations = capitalisations.replace(True, 1.0).replace(False, 0.0)
 
-            # Met à 0 les coeffs des UEs non capitalisées : 1.0*False => 0.0
+            # Met à 0 les coeffs des UEs non capitalisées pour les étudiants
+            # inscrits dans les 2 semestres: 1.0*False => 0.0
             etudids_communs, acronymes_communs = pe_comp.find_index_and_columns_communs(
                 df, capitalisations
             )
@@ -347,7 +361,7 @@ def compute_notes_ues(
     set_cube: np.array,
     masque_cube: np.array,
     etudids_sorted: list,
-    acronymes_ues_sorted: list,
+    acronymes_sorted: list,
     inscr_mask: np.array,
 ):
     """Calcule la moyenne par UEs à un tag donné en prenant la note maximum (UE
@@ -359,7 +373,7 @@ def compute_notes_ues(
         masque_cube: masque indiquant si la note doit être prise en compte ndarray
                      (semestre_ids x etudids x UEs), des 1.0 ou des 0.0
         etudids_sorted: liste des étudiants (dim. 0 du cube) trié par etudid
-        acronymes_ues_sorted: liste des acronymes des ues (dim. 1 du cube) trié par acronyme
+        acronymes_sorted: liste des acronymes des ues (dim. 1 du cube) trié par acronyme
         inscr_mask: masque etudids x UE traduisant les inscriptions des
                                étudiants aux UE (du semestre terminal)
     Returns:
@@ -369,7 +383,7 @@ def compute_notes_ues(
     nb_etuds, nb_ues, nb_semestres = set_cube.shape
     nb_etuds_mask, nb_ues_mask = inscr_mask.shape
     assert nb_etuds == len(etudids_sorted)
-    assert nb_ues == len(acronymes_ues_sorted)
+    assert nb_ues == len(acronymes_sorted)
     assert nb_etuds == nb_etuds_mask
     assert nb_ues == nb_ues_mask
 
@@ -397,7 +411,7 @@ def compute_notes_ues(
     etud_moy_tag_df = pd.DataFrame(
         etud_moy,
         index=etudids_sorted,  # les etudids
-        columns=acronymes_ues_sorted,  # les tags
+        columns=acronymes_sorted,  # les acronymes d'UEs
     )
 
     etud_moy_tag_df.fillna(np.nan)

tests/unit/yaml_setup_but.py

@@ -105,7 +105,7 @@ def associe_ues_et_parcours(formation: Formation, formation_infos: dict):
 
         # Niveaux compétences:
         if ue_infos.get("competence"):
-            competence = referentiel_competence.competences.filter_by(
+            competence = referentiel_competence.acronymes_ues_to_competences.filter_by(
                 titre=ue_infos["competence"]
             ).first()
             assert competence is not None  # La compétence de titre indiqué doit exister