forked from ScoDoc/ScoDoc
379 lines
16 KiB
Python
379 lines
16 KiB
Python
# -*- mode: python -*-
|
|
# -*- coding: utf-8 -*-
|
|
|
|
##############################################################################
|
|
#
|
|
# Gestion scolarite IUT
|
|
#
|
|
# Copyright (c) 1999 - 2022 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.
|
|
"""
|
|
from dataclasses import dataclass
|
|
import numpy as np
|
|
import pandas as pd
|
|
|
|
from app import db
|
|
from app.models import ModuleImpl, Evaluation, EvaluationUEPoids
|
|
from app.scodoc import sco_utils as scu
|
|
from app.scodoc.sco_codes_parcours import UE_SPORT
|
|
from app.scodoc.sco_exceptions import ScoValueError
|
|
|
|
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
|
|
|
|
|
|
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.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.load_notes()
|
|
|
|
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)
|
|
|
|
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"
|
|
is_complete = evaluation.publish_incomplete or (
|
|
not (inscrits_module - set(eval_df.index))
|
|
)
|
|
self.evaluations_completes.append(is_complete)
|
|
self.evaluations_completes_dict[evaluation.id] = is_complete
|
|
|
|
# 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: (on prend dans evals_notes pour ne pas avoir les dem.)
|
|
nb_att = sum(evals_notes[str(evaluation.id)] == scu.NOTES_ATTENTE)
|
|
self.evaluations_etat[evaluation.id] = EvaluationEtat(
|
|
evaluation_id=evaluation.id, nb_attente=nb_att, is_complete=is_complete
|
|
)
|
|
|
|
# Force columns names to integers (evaluation ids)
|
|
evals_notes.columns = pd.Int64Index(
|
|
[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"""
|
|
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, met à zéro ceux des évals incomplètes.
|
|
Résultat: 2d-array of floats, shape (nb_evals, 1)
|
|
"""
|
|
return (
|
|
np.array(
|
|
[e.coefficient for e in moduleimpl.evaluations],
|
|
dtype=float,
|
|
)
|
|
* self.evaluations_completes
|
|
).reshape(-1, 1)
|
|
|
|
def get_eval_notes_sur_20(self, moduleimpl: ModuleImpl) -> np.array:
|
|
"""Les notes des évaluations,
|
|
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]
|
|
|
|
|
|
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.
|
|
"""
|
|
moduleimpl = 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(moduleimpl)
|
|
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(moduleimpl)
|
|
|
|
# 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)
|
|
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)
|
|
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)
|
|
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, modules_coefficients: 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.
|
|
|
|
Argument: evals_poids: DataFrame, colonnes: UEs, Lignes: EVALs
|
|
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(modules_coefficients) != nb_ues:
|
|
raise ValueError("moduleimpl_is_conforme: nb ue incoherent")
|
|
module_evals_poids = evals_poids.transpose().sum(axis=1).to_numpy() != 0
|
|
check = all(
|
|
(modules_coefficients[moduleimpl.module_id].to_numpy() != 0)
|
|
== module_evals_poids
|
|
)
|
|
return check
|
|
|
|
|
|
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)
|
|
assert evals_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)
|
|
|
|
self.etuds_moy_module = pd.Series(
|
|
etuds_moy_module,
|
|
index=self.evals_notes.index,
|
|
)
|
|
return self.etuds_moy_module
|