Réécrit le tableau de synthèse du jury PE par tag avec des DataFrame + limite l'affichage aux aggrégats significatifs (avec notes)

app/pe/pe_jury.py

@@ -321,51 +321,131 @@ class JuryPE(object):
         """
 
         etudids = list(self.diplomes_ids)
-        aggregats = pe_comp.TOUS_LES_PARCOURS
-
-        donnees = {}
 
+        # Les données des étudiants
+        donnees_etudiants = {}
         for etudid in etudids:
             etudiant = self.etudiants.identites[etudid]
-            donnees[etudid] = {
+            donnees_etudiants[etudid] = {
                 ("Identité", "", "Civilite"): etudiant.civilite_str,
                 ("Identité", "", "Nom"): etudiant.nom,
                 ("Identité", "", "Prenom"): etudiant.prenom,
             }
+        df_synthese = pd.DataFrame.from_dict(donnees_etudiants, orient="index")
+
+        # Ajout des aggrégats
+        aggregats = pe_comp.TOUS_LES_PARCOURS
 
         for aggregat in aggregats:
-                # Le dictionnaire par défaut des moyennes
+            descr = pe_comp.PARCOURS[aggregat]["descr"]
-                donnees[etudid] |= get_defaut_dict_synthese_aggregat(
-                    aggregat, self.diplome
-                )
 
-                # La trajectoire de l'étudiant sur l'aggrégat
+            # Les trajectoires (tagguées) suivies par les étudiants pour l'aggrégat et le tag
+            # considéré
+            trajectoires_tagguees = []
+            for etudid in etudids:
                 trajectoire = self.trajectoires.suivi[etudid][aggregat]
                 if trajectoire:
-                    trajectoire_tagguee = self.trajectoires_tagguees[
+                    tid = trajectoire.trajectoire_id
-                        trajectoire.trajectoire_id
+                    trajectoire_tagguee = self.trajectoires_tagguees[tid]
-                    ]
+                    if (
-                    if tag in trajectoire_tagguee.moyennes_tags:
+                        tag in trajectoire_tagguee.moyennes_tags
-                        # La trajectoire tagguée
+                        and trajectoire_tagguee not in trajectoires_tagguees
-                        moy_trajectoire_tag = trajectoire_tagguee.moyennes_tags[tag]
+                    ):
-                        if moy_trajectoire_tag.is_significatif():
+                        trajectoires_tagguees.append(trajectoire_tagguee)
-                            # L'interclassement
-                            interclass = self.interclassements_taggues[aggregat]
 
-                            # Injection des données dans un dictionnaire
+            # Ajout des notes
-                            donnees[etudid] |= get_dict_synthese_aggregat(
+            notes = pd.DataFrame(index=etudids, columns=[ [descr], [""], ["note"] ])
-                                    aggregat, trajectoire_tagguee, interclass, etudid, tag, self.diplome
+
+            nbre_notes_injectees = 0
+            for traj in trajectoires_tagguees:
+                moy_traj = traj.moyennes_tags[tag]
+                notes_traj = moy_traj.get_df_notes(arrondi=True)
+                etudids_communs = notes_traj.index.intersection(etudids)
+                nbre_notes_injectees += len(etudids_communs)
+                notes.loc[etudids_communs, (descr, "", "note")] = notes_traj.loc[etudids_communs, "notes"]
+
+            # Si l'aggrégat est significatif (aka il y a des notes)
+            if nbre_notes_injectees > 0:
+                df_synthese = df_synthese.join(notes)
+
+                # Ajout des classements & statistiques
+                donnees = pd.DataFrame(
+                    index=etudids,
+                    columns=[ [descr]*4, [NOM_STAT_GROUPE]*4, ["class.", "min", "moy", "max"] ],
+                )
+                # donnees[(descr, NOM_STAT_GROUPE, "class.")] = donnees[
+                #    (descr, NOM_STAT_GROUPE, "class.")
+                # ].astype(str)
+                # donnees[(descr, NOM_STAT_GROUPE, "class.")] = np.nan
+
+                for traj in trajectoires_tagguees:
+                    moy_traj = traj.moyennes_tags[tag]
+
+                    # Les classements
+                    rangs = moy_traj.get_df_rangs_pertinents()
+
+                    # Les etudids communs pour la trajectoire
+                    etudids_communs = rangs.index.intersection(etudids)
+
+                    donnees.loc[
+                        etudids_communs, (descr, NOM_STAT_GROUPE, "class.")
+                    ] = rangs.loc[etudids_communs, "rangs"]
+
+                    # Le min
+                    donnees.loc[
+                        etudids_communs, (descr, NOM_STAT_GROUPE, "min")
+                    ] = moy_traj.get_min_for_df()
+                    # Le max
+                    donnees.loc[
+                        etudids_communs, (descr, NOM_STAT_GROUPE, "max")
+                    ] = moy_traj.get_max_for_df()
+                    # La moyenne
+                    donnees.loc[
+                        etudids_communs, (descr, NOM_STAT_GROUPE, "moy")
+                    ] = moy_traj.get_moy_for_df()
+
+                df_synthese = df_synthese.join(donnees)
+
+                # Ajoute les données d'interclassement
+                interclass = self.interclassements_taggues[aggregat]
+                moy_traj = interclass.moyennes_tags[tag]
+
+                nom_stat_promo = f"{NOM_STAT_PROMO} {self.diplome}"
+                donnees = pd.DataFrame(
+                    index=etudids,
+                    columns=[ [descr]*4, [nom_stat_promo]*4, ["class.", "min", "moy", "max"] ],
                 )
 
+                # Les classements
+                rangs = moy_traj.get_df_rangs_pertinents()
+
+                etudids_communs = rangs.index.intersection(etudids)
+
+                donnees.loc[
+                    etudids_communs, (descr, nom_stat_promo, "class.")
+                ] = rangs.loc[etudids_communs, "rangs"]
+
+                # Le min
+                donnees.loc[
+                    etudids_communs, (descr, nom_stat_promo, "min")
+                ] = moy_traj.get_min_for_df()
+                # Le max
+                donnees.loc[
+                    etudids_communs, (descr, nom_stat_promo, "max")
+                ] = moy_traj.get_max_for_df()
+                # La moyenne
+                donnees.loc[
+                    etudids_communs, (descr, nom_stat_promo, "moy")
+                ] = moy_traj.get_moy_for_df()
+
+                df_synthese = df_synthese.join(donnees)
             # Fin de l'aggrégat
-        # Construction du dataFrame
-        df = pd.DataFrame.from_dict(donnees, orient="index")
 
         # Tri par nom/prénom
-        df.sort_values(
+        df_synthese.sort_values(
             by=[("Identité", "", "Nom"), ("Identité", "", "Prenom")], inplace=True
         )
-        return df
+        return df_synthese
 
     def synthetise_jury_par_etudiants(self) -> dict[pd.DataFrame]:
         """Synthétise tous les résultats du jury PE dans des dataframes,
@@ -420,10 +500,14 @@ class JuryPE(object):
                         # L'interclassement
                         interclass = self.interclassements_taggues[aggregat]
 
-
                         # Injection des données dans un dictionnaire
                         donnees[tag] |= get_dict_synthese_aggregat(
-                            aggregat, trajectoire_tagguee, interclass, etudid, tag, self.diplome
+                            aggregat,
+                            trajectoire_tagguee,
+                            interclass,
+                            etudid,
+                            tag,
+                            self.diplome,
                         )
 
             # Fin de l'aggrégat

app/pe/pe_tabletags.py

@@ -43,14 +43,15 @@ import numpy as np
 from app import ScoValueError
 from app.comp.moy_sem import comp_ranks_series
 from app.pe import pe_affichage
+from app.pe.pe_affichage import SANS_NOTE
 from app.scodoc import sco_utils as scu
 import pandas as pd
 
 
 TAGS_RESERVES = ["but"]
 
-class MoyenneTag():
 
+class MoyenneTag:
     def __init__(self, tag: str, notes: pd.Series):
         """Classe centralisant la synthèse des moyennes/classements d'une série
         d'étudiants à un tag donné, en stockant un dictionnaire :
@@ -104,7 +105,7 @@ class MoyenneTag():
         (_, class_gen_ue_non_nul) = comp_ranks_series(notes_non_nulles)
 
         # Les classements (toutes notes confondues, avec NaN si pas de notes)
-        class_gen_ue = pd.Series(np.nan, index=notes.index) #, dtype="Int64")
+        class_gen_ue = pd.Series(np.nan, index=notes.index)  # , dtype="Int64")
         class_gen_ue[indices] = class_gen_ue_non_nul[indices]
 
         synthese = {
@@ -117,6 +118,27 @@ class MoyenneTag():
         }
         return synthese
 
+    def get_df_notes(self, arrondi=False):
+        """Série des notes, arrondies à 2 chiffres après la virgule"""
+        if arrondi:
+            serie = self.synthese["notes"].round(2)
+        else:
+            serie = self.synthese["notes"]
+        df = serie.to_frame("notes")
+        return df
+
+    def get_df_rangs_pertinents(self) -> pd.Series:
+        """Série des rangs classement/nbre_inscrit"""
+        classement = self.synthese["classements"]
+        indices = classement[classement.notnull()].index.to_list()
+        classement_non_nul = classement.loc[indices].to_frame("classements")
+        classement_non_nul.insert(1, "rangs", np.nan)
+
+        nb_inscrit = self.synthese["nb_inscrits"]
+
+        classement_non_nul["rangs"] = classement_non_nul["classements"].astype(int).astype(str) + "/" + str(nb_inscrit)
+        return classement_non_nul["rangs"].to_frame("rangs")
+
     def get_note_for_df(self, etudid: int):
         """Note d'un étudiant donné par son etudid"""
         return round(self.synthese["notes"].loc[etudid], 2)
@@ -136,8 +158,8 @@ class MoyenneTag():
     def get_class_for_df(self, etudid: int) -> str:
         """Classement ramené au nombre d'inscrits,
         pour un étudiant donné par son etudid"""
-        classement = self.synthese['classements'].loc[etudid]
+        classement = self.synthese["classements"].loc[etudid]
-        nb_inscrit = self.synthese['nb_inscrits']
+        nb_inscrit = self.synthese["nb_inscrits"]
         if not pd.isna(classement):
             classement = int(classement)
             return f"{classement}/{nb_inscrit}"
@@ -148,6 +170,7 @@ class MoyenneTag():
         """Indique si la moyenne est significative (c'est-à-dire à des notes)"""
         return self.synthese["nb_inscrits"] > 0
 
+
 class TableTag(object):
     def __init__(self):
         """Classe centralisant différentes méthodes communes aux
@@ -203,7 +226,3 @@ class TableTag(object):
                 dict_series[tag] = moy_tag.synthese["notes"]
             df = pd.DataFrame(dict_series)
             return df
-
-
-
-

app/pe/pe_trajectoiretag.py

@@ -64,12 +64,15 @@ class TrajectoireTag(TableTag):
         """
         TableTag.__init__(self)
 
-        # La trajectoire associée
-        self.trajectoire_id = trajectoire.trajectoire_id
-        self.trajectoire = trajectoire
 
-        # Le nom de la trajectoire tagguée (identique à la trajectoire)
+        self.trajectoire_id = trajectoire.trajectoire_id
+        """Identifiant de la trajectoire tagguée"""
+
+        self.trajectoire = trajectoire
+        """Trajectoire associée à la trajectoire tagguée"""
+
         self.nom = self.get_repr()
+        """Représentation textuelle de la trajectoire tagguée"""
 
         self.formsemestre_terminal = trajectoire.formsemestre_final
         """Le formsemestre terminal"""
@@ -110,6 +113,10 @@ class TrajectoireTag(TableTag):
             moy_gen_tag = self.notes[tag]
             self.moyennes_tags[tag] = MoyenneTag(tag, moy_gen_tag)
 
+    def __eq__(self, other):
+        """Egalité de 2 trajectoires tagguées sur la base de leur identifiant"""
+        return self.trajectoire_id == other.trajectoire_id
+
     def get_repr(self, verbose=False) -> str:
         """Renvoie une représentation textuelle (celle de la trajectoire sur laquelle elle
         est basée)"""