app/pe/pe_jury.py

@@ -353,90 +353,90 @@ class JuryPE(object):
                     ):
                         trajectoires_tagguees.append(trajectoire_tagguee)
 
-            # Ajout des notes
+            # Combien de notes vont être injectées ?
-            notes = pd.DataFrame(index=etudids, columns=[ [descr], [""], ["note"] ])
-
             nbre_notes_injectees = 0
             for traj in trajectoires_tagguees:
                 moy_traj = traj.moyennes_tags[tag]
-                notes_traj = moy_traj.get_df_notes(arrondi=True)
+                inscrits_traj = moy_traj.inscrits_ids
-                etudids_communs = notes_traj.index.intersection(etudids)
+                etudids_communs = set(etudids) & set(inscrits_traj)
                 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 données classements & statistiques
-
-                # 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"] ],
+                    columns=[
+                        [descr] * (1 + 4 * 2),
+                        [""] + [NOM_STAT_GROUPE] * 4 + [nom_stat_promo] * 4,
+                        ["note"] + ["class.", "min", "moy", "max"] * 2,
+                    ],
                 )
 
-                # Les classements
+                for traj in trajectoires_tagguees:
-                rangs = moy_traj.get_df_rangs_pertinents()
+                    # Les données des trajectoires_tagguees
+                    moy_traj = traj.moyennes_tags[tag]
 
-                etudids_communs = rangs.index.intersection(etudids)
+                    # Les étudiants communs entre tableur de synthèse et trajectoires
+                    inscrits_traj = moy_traj.inscrits_ids
+                    etudids_communs = list(set(etudids) & set(inscrits_traj))
 
-                donnees.loc[
+                    # Les notes
-                    etudids_communs, (descr, nom_stat_promo, "class.")
+                    champ = (descr, "", "note")
-                ] = rangs.loc[etudids_communs, "rangs"]
+                    notes_traj = moy_traj.get_notes()
+                    donnees.loc[etudids_communs, champ] = notes_traj.loc[
+                        etudids_communs]
 
-                # Le min
+                    # Les rangs
-                donnees.loc[
+                    champ = (descr, NOM_STAT_GROUPE, "class.")
-                    etudids_communs, (descr, nom_stat_promo, "min")
+                    rangs = moy_traj.get_rangs_inscrits()
-                ] = moy_traj.get_min_for_df()
+                    donnees.loc[etudids_communs, champ] = rangs.loc[
-                # Le max
+                        etudids_communs
-                donnees.loc[
+                    ]
-                    etudids_communs, (descr, nom_stat_promo, "max")
+
-                ] = moy_traj.get_max_for_df()
+                    # Les mins
-                # La moyenne
+                    champ = (descr, NOM_STAT_GROUPE, "min")
-                donnees.loc[
+                    mins = moy_traj.get_min()
-                    etudids_communs, (descr, nom_stat_promo, "moy")
+                    donnees.loc[etudids_communs, champ] = mins.loc[etudids_communs]
-                ] = moy_traj.get_moy_for_df()
+
+                    # Les max
+                    champ = (descr, NOM_STAT_GROUPE, "max")
+                    maxs = moy_traj.get_max()
+                    donnees.loc[etudids_communs, champ] = maxs.loc[etudids_communs]
+
+                    # Les moys
+                    champ = (descr, NOM_STAT_GROUPE, "moy")
+                    moys = moy_traj.get_max()
+                    donnees.loc[etudids_communs, champ] = moys.loc[etudids_communs]
+
+                # Ajoute les données d'interclassement
+                interclass = self.interclassements_taggues[aggregat]
+                moy_interclass = interclass.moyennes_tags[tag]
+
+                # Les étudiants communs entre tableur de synthèse et l'interclassement
+                inscrits_interclass = moy_interclass.inscrits_ids
+                etudids_communs = list(set(etudids) & set(inscrits_interclass))
+
+                # Les classements d'interclassement
+                champ = (descr, nom_stat_promo, "class.")
+                rangs = moy_interclass.get_rangs_inscrits()
+                donnees.loc[etudids_communs, champ] = rangs.loc[etudids_communs]
+
+                # Les mins
+                champ = (descr, nom_stat_promo, "min")
+                mins = moy_interclass.get_min()
+                donnees.loc[etudids_communs, champ] = mins.loc[etudids_communs]
+
+                # Les max
+                champ = (descr, nom_stat_promo, "max")
+                maxs = moy_interclass.get_max()
+                donnees.loc[etudids_communs, champ] = maxs.loc[etudids_communs]
+
+                # Les moys
+                champ = (descr, nom_stat_promo, "moy")
+                moys = moy_interclass.get_max()
+                donnees.loc[etudids_communs, champ] = moys.loc[etudids_communs]
 
                 df_synthese = df_synthese.join(donnees)
             # Fin de l'aggrégat

app/pe/pe_tabletags.py

@@ -73,8 +73,14 @@ class MoyenneTag:
         """
         self.tag = tag
         """Le tag associé à la moyenne"""
-        self.synthese = self.comp_moy_et_stat(notes)
+        self.etudids = list(notes.index)  # calcul à venir
-        """La synthèse des notes/classements/statistiques"""
+        """Les id des étudiants"""
+        self.inscrits_ids = notes[notes.notnull()].index.to_list()
+        """Les id des étudiants dont la moyenne est non nulle"""
+        self.df: pd.DataFrame = self.comp_moy_et_stat(notes)
+        """Le dataframe retraçant les moyennes/classements/statistiques"""
+        self.synthese = self.to_dict()
+        """La synthèse (dictionnaire) des notes/classements/statistiques"""
 
     def __eq__(self, other):
         """Egalité de deux MoyenneTag lorsque leur tag sont identiques"""
@@ -94,54 +100,85 @@ class MoyenneTag:
             Un dictionnaire stockant les notes, les classements, le min,
             le max, la moyenne, le nb de notes (donc d'inscrits)
         """
-        # Supprime d'éventuels chaines de caractères dans les notes
+        df = pd.DataFrame(
+            np.nan,
+            index=self.etudids,
+            columns=[
+                "note",
+                "classement",
+                "rang",
+                "min",
+                "max",
+                "moy",
+                "nb_etuds",
+                "nb_inscrits",
+            ],
+        )
+
+        # Supprime d'éventuelles chaines de caractères dans les notes
         notes = pd.to_numeric(notes, errors="coerce")
+        df["note"] = notes
 
-        # Les indices des ... et les notes non nulles/pertinentes
+        # Les nb d'étudiants & nb d'inscrits
-        indices = notes.notnull()
+        df["nb_etuds"] = len(self.etudids)
-        notes_non_nulles = notes[indices]
+        df.loc[self.inscrits_ids, "nb_inscrits"] = len(self.inscrits_ids)
 
-        # Les classements sur les notes non nulles
+        # Le classement des inscrits
-        (_, class_gen_ue_non_nul) = comp_ranks_series(notes_non_nulles)
+        notes_non_nulles = notes[self.inscrits_ids]
+        (class_str, class_int) = comp_ranks_series(notes_non_nulles)
+        df.loc[self.inscrits_ids, "classement"] = class_int
 
-        # Les classements (toutes notes confondues, avec NaN si pas de notes)
+        # Le rang (classement/nb_inscrit)
-        class_gen_ue = pd.Series(np.nan, index=notes.index)  # , dtype="Int64")
+        df["rang"] = df["rang"].astype(str)
-        class_gen_ue[indices] = class_gen_ue_non_nul[indices]
+        df.loc[self.inscrits_ids, "rang"] = (
+            df.loc[self.inscrits_ids, "classement"].astype(int).astype(str)
+            + "/"
+            + df.loc[self.inscrits_ids, "nb_inscrits"].astype(int).astype(str)
+        )
 
+        # Les stat (des inscrits)
+        df.loc[self.inscrits_ids, "min"] = notes.min()
+        df.loc[self.inscrits_ids, "max"] = notes.max()
+        df.loc[self.inscrits_ids, "moy"] = notes.mean()
+
+        return df
+
+    def to_dict(self) -> dict:
+        """Renvoie un dictionnaire de synthèse des moyennes/classements/statistiques"""
         synthese = {
-            "notes": notes,
+            "notes": self.df["note"],
-            "classements": class_gen_ue,
+            "classements": self.df["classement"],
-            "min": notes.min(),
+            "min": self.df["min"].mean(),
-            "max": notes.max(),
+            "max": self.df["max"].mean(),
-            "moy": notes.mean(),
+            "moy": self.df["moy"].mean(),
-            "nb_inscrits": sum(indices),
+            "nb_inscrits": self.df["nb_inscrits"].mean(),
         }
         return synthese
 
-    def get_df_notes(self, arrondi=False):
+    def get_notes(self):
         """Série des notes, arrondies à 2 chiffres après la virgule"""
-        if arrondi:
+        return self.df["note"].round(2)
-            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:
+    def get_rangs_inscrits(self) -> pd.Series:
         """Série des rangs classement/nbre_inscrit"""
-        classement = self.synthese["classements"]
+        return self.df["rang"]
-        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"]
+    def get_min(self) -> pd.Series:
+        """Série des min"""
+        return self.df["min"].round(2)
+
+    def get_max(self) -> pd.Series:
+        """Série des max"""
+        return self.df["max"].round(2)
+
+    def get_moy(self) -> pd.Series:
+        """Série des moy"""
+        return self.df["moy"].round(2)
 
-        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)
+        return round(self.df["note"].loc[etudid], 2)
 
     def get_min_for_df(self) -> float:
         """Min renseigné pour affichage dans un df"""
@@ -158,11 +195,9 @@ 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.df["rang"].loc[etudid]
-        nb_inscrit = self.synthese["nb_inscrits"]
         if not pd.isna(classement):
-            classement = int(classement)
+            return classement
-            return f"{classement}/{nb_inscrit}"
         else:
             return pe_affichage.SANS_NOTE