app/pe/pe_etudiant.py

@@ -349,8 +349,8 @@ class EtudiantsJuryPE:
             trajectoire = trajectoire_aggr[aggregat]
             if trajectoire:
                 # Le semestre terminal de l'étudiant de l'aggrégat
-                fid = trajectoire.semestre_final.formsemestre_id
+                fid = trajectoire.formsemestre_final.formsemestre_id
-                formsemestres_terminaux[fid] = trajectoire.semestre_final
+                formsemestres_terminaux[fid] = trajectoire.formsemestre_final
         return formsemestres_terminaux
 
     def get_formsemestres(self, semestres_recherches=None):

app/pe/pe_interclasstag.py

@@ -1,5 +1,5 @@
 from app.comp import moy_sem
-from app.pe.pe_tabletags import TableTag
+from app.pe.pe_tabletags import TableTag, MoyenneTag
 from app.pe.pe_etudiant import EtudiantsJuryPE
 from app.pe.pe_trajectoire import Trajectoire, TrajectoiresJuryPE
 from app.pe.pe_trajectoiretag import TrajectoireTag
@@ -10,7 +10,6 @@ import numpy as np
 
 
 class AggregatInterclasseTag(TableTag):
-
     # -------------------------------------------------------------------------------------------------------------------
     def __init__(
         self,
@@ -30,24 +29,30 @@ class AggregatInterclasseTag(TableTag):
         """
         TableTag.__init__(self)
 
-        # Le nom
         self.aggregat = nom_aggregat
+        """Aggrégat de l'interclassement"""
+
         self.nom = self.get_repr()
 
         """Les étudiants diplômés et leurs trajectoires (cf. trajectoires.suivis)"""  # TODO
         self.diplomes_ids = etudiants.etudiants_diplomes
         self.etudiants_diplomes = {etudid for etudid in self.diplomes_ids}
         # pour les exports sous forme de dataFrame
-        self.etudiants = {etudid: etudiants.identites[etudid].etat_civil for etudid in self.diplomes_ids}
+        self.etudiants = {
+            etudid: etudiants.identites[etudid].etat_civil
+            for etudid in self.diplomes_ids
+        }
 
         # Les trajectoires (et leur version tagguées), en ne gardant que celles associées à l'aggrégat
         self.trajectoires: dict[int, Trajectoire] = {}
+        """Ensemble des trajectoires associées à l'aggrégat"""
         for trajectoire_id in trajectoires_jury_pe.trajectoires:
             trajectoire = trajectoires_jury_pe.trajectoires[trajectoire_id]
             if trajectoire_id[0] == nom_aggregat:
                 self.trajectoires[trajectoire_id] = trajectoire
 
         self.trajectoires_taggues: dict[int, Trajectoire] = {}
+        """Ensemble des trajectoires tagguées associées à l'aggrégat"""
         for trajectoire_id in self.trajectoires:
             self.trajectoires_taggues[trajectoire_id] = trajectoires_taggues[
                 trajectoire_id
@@ -56,26 +61,27 @@ class AggregatInterclasseTag(TableTag):
         # Les trajectoires suivies par les étudiants du jury, en ne gardant que
         # celles associées aux diplomés
         self.suivi: dict[int, Trajectoire] = {}
+        """Association entre chaque étudiant et la trajectoire tagguée à prendre en
+        compte pour l'aggrégat"""
         for etudid in self.diplomes_ids:
             self.suivi[etudid] = trajectoires_jury_pe.suivi[etudid][nom_aggregat]
 
-
         self.tags_sorted = self.do_taglist()
         """Liste des tags (triés par ordre alphabétique)"""
 
         # Construit la matrice de notes
         self.notes = self.compute_notes_matrice()
+        """Matrice des notes de l'aggrégat"""
 
         # Synthétise les moyennes/classements par tag
-        self.moyennes_tags = {}
+        self.moyennes_tags: dict[str, MoyenneTag] = {}
         for tag in self.tags_sorted:
             moy_gen_tag = self.notes[tag]
-            self.moyennes_tags[tag] = self.comp_moy_et_stat(moy_gen_tag)
+            self.moyennes_tags[tag] = MoyenneTag(tag, moy_gen_tag)
 
         # Est significatif ? (aka a-t-il des tags et des notes)
         self.significatif = len(self.tags_sorted) > 0
 
-
     def get_repr(self) -> str:
         """Une représentation textuelle"""
         return f"Aggrégat {self.aggregat}"
@@ -118,7 +124,4 @@ class AggregatInterclasseTag(TableTag):
                 etudids_communs, tags_communs
             ]
 
-        # Force les nan
-        df.fillna(np.nan)
-
         return df

app/pe/pe_jury.py

@@ -65,35 +65,15 @@ import pandas as pd
 
 
 class JuryPE(object):
-    """Classe mémorisant toutes les informations nécessaires pour établir un jury de PE.
-        Modèle basé sur NotesTable.
-
-        Attributs :
-
-        * diplome : l'année d'obtention du diplome BUT et du jury de PE (généralement février XXXX)
-        * juryEtudDict : dictionnaire récapitulant les étudiants participant au jury PE (données administratives +
-          celles des semestres valides à prendre en compte permettant le calcul des moyennes  ...
-          ``{'etudid : { 'nom', 'prenom', 'civilite', 'diplome', '',  }}``
-    a
-          Rq: il contient à la fois les étudiants qui vont être diplomés à la date prévue
-          et ceux qui sont éliminés (abandon, redoublement, ...) pour affichage alternatif
-    """
-
-    # Variables de classe décrivant les aggrégats, leur ordre d'apparition temporelle et
-    # leur affichage dans les avis latex
-
-    # ------------------------------------------------------------------------------------------------------------------
     def __init__(self, diplome):
         """
-        Création d'une table PE sur la base d'un semestre selectionné. De ce semestre est déduit :
+        Classe mémorisant toutes les informations nécessaires pour établir un jury de PE, sur la base
+        d'une année de diplôme. De ce semestre est déduit :
         1. l'année d'obtention du DUT,
         2. tous les étudiants susceptibles à ce stade (au regard de leur parcours) d'être diplomés.
 
         Args:
-            sem_base: le FormSemestre donnant le semestre à la base du jury PE
+            diplome : l'année d'obtention du diplome BUT et du jury de PE (généralement février XXXX)
-            semBase: le dictionnaire sem donnant la base du jury (CB: TODO: A supprimer à long term)
-            meme_programme: si True, impose un même programme pour tous les étudiants participant au jury,
-                            si False, permet des programmes differents
         """
         self.diplome = diplome
         "L'année du diplome"
@@ -101,7 +81,7 @@ class JuryPE(object):
         self.nom_export_zip = f"Jury_PE_{self.diplome}"
         "Nom du zip où ranger les fichiers générés"
 
-        # Chargement des étudiants à prendre en compte dans le jury
+        # Chargement des étudiants à prendre en compte Sydans le jury
         pe_affichage.pe_print(
             f"""*** Recherche et chargement des étudiants diplômés en {
                 self.diplome}"""
@@ -122,7 +102,6 @@ class JuryPE(object):
                 self._gen_xls_synthese_jury_par_tag(zipfile)
                 self._gen_xls_synthese_par_etudiant(zipfile)
 
-
         # Fin !!!! Tada :)
 
     def _gen_xls_diplomes(self, zipfile: ZipFile):
@@ -342,48 +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")
 
-            for aggregat in aggregats:
+        # Ajout des aggrégats
-                # Le dictionnaire par défaut des moyennes
+        aggregats = pe_comp.TOUS_LES_PARCOURS
-                donnees[etudid] |= get_defaut_dict_synthese_aggregat(aggregat, self.diplome)
 
-                # La trajectoire de l'étudiant sur l'aggrégat
+        for aggregat in aggregats:
+            descr = pe_comp.PARCOURS[aggregat]["descr"]
+
+            # 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 (
-                else:
+                        tag in trajectoire_tagguee.moyennes_tags
-                    trajectoire_tagguee = None
+                        and trajectoire_tagguee not in trajectoires_tagguees
+                    ):
+                        trajectoires_tagguees.append(trajectoire_tagguee)
 
-                # L'interclassement
+            # Ajout des notes
+            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)
+                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]
 
-                # Injection des données dans un dictionnaire
+                nom_stat_promo = f"{NOM_STAT_PROMO} {self.diplome}"
-                donnees[etudid] |= get_dict_synthese_aggregat(aggregat, trajectoire_tagguee, interclass, etudid, tag, 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,
@@ -424,7 +486,9 @@ class JuryPE(object):
 
             for aggregat in aggregats:
                 # Le dictionnaire par défaut des moyennes
-                donnees[tag] |= get_defaut_dict_synthese_aggregat(aggregat, self.diplome)
+                donnees[tag] |= get_defaut_dict_synthese_aggregat(
+                    aggregat, self.diplome
+                )
 
                 # La trajectoire de l'étudiant sur l'aggrégat
                 trajectoire = self.trajectoires.suivi[etudid][aggregat]
@@ -432,26 +496,29 @@ class JuryPE(object):
                     trajectoire_tagguee = self.trajectoires_tagguees[
                         trajectoire.trajectoire_id
                     ]
-                else:
+                    if tag in trajectoire_tagguee.moyennes_tags:
-                    trajectoire_tagguee = None
+                        # L'interclassement
-
+                        interclass = self.interclassements_taggues[aggregat]
-                # 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)
 
+                        # Injection des données dans un dictionnaire
+                        donnees[tag] |= get_dict_synthese_aggregat(
+                            aggregat,
+                            trajectoire_tagguee,
+                            interclass,
+                            etudid,
+                            tag,
+                            self.diplome,
+                        )
 
             # Fin de l'aggrégat
         # Construction du dataFrame
         df = pd.DataFrame.from_dict(donnees, orient="index")
 
         # Tri par nom/prénom
-        df.sort_values(
+        df.sort_values(by=[("", "", "tag")], inplace=True)
-            by=[("", "", "tag")], inplace=True
-        )
         return df
 
+
 def compute_semestres_tag(etudiants: EtudiantsJuryPE) -> dict:
     """Créé les semestres taggués, de type 'S1', 'S2', ..., pour un groupe d'étudiants donnés.
     Chaque semestre taggué est rattaché à l'un des FormSemestre faisant partie du cursus scolaire
@@ -587,7 +654,7 @@ def get_dict_synthese_aggregat(
     interclassement_taggue: AggregatInterclasseTag,
     etudid: int,
     tag: str,
-        diplome: int
+    diplome: int,
 ):
     """Renvoie le dictionnaire (à intégrer au tableur excel de synthese)
     traduisant les résultats (moy/class) d'un étudiant à une trajectoire tagguée associée
@@ -600,66 +667,43 @@ def get_dict_synthese_aggregat(
     note = np.nan
 
     # Les données de la trajectoire tagguée pour le tag considéré
-    if trajectoire_tagguee and tag in trajectoire_tagguee.moyennes_tags:
+    moy_tag = trajectoire_tagguee.moyennes_tags[tag]
-        bilan = trajectoire_tagguee.moyennes_tags[tag]
 
-        # La moyenne de l'étudiant
+    # Les données de l'étudiant
-        note = TableTag.get_note_for_df(bilan, etudid)
+    note = moy_tag.get_note_for_df(etudid)
 
-        # Statistiques sur le groupe
+    classement = moy_tag.get_class_for_df(etudid)
-        if not pd.isna(note) and note != np.nan:
+    nmin = moy_tag.get_min_for_df()
-            # Les moyennes de cette trajectoire
+    nmax = moy_tag.get_max_for_df()
-            donnees |= {
+    nmoy = moy_tag.get_moy_for_df()
-                (descr, "", "note"): note,
+
-                (
+    # Statistiques sur le groupe
-                    descr,
+    if not pd.isna(note) and note != np.nan:
-                    NOM_STAT_GROUPE,
+        # Les moyennes de cette trajectoire
-                    "class.",
+        donnees |= {
-                ): TableTag.get_class_for_df(bilan, etudid),
+            (descr, "", "note"): note,
-                (
+            (descr, NOM_STAT_GROUPE, "class."): classement,
-                    descr,
+            (descr, NOM_STAT_GROUPE, "min"): nmin,
-                    NOM_STAT_GROUPE,
+            (descr, NOM_STAT_GROUPE, "moy"): nmoy,
-                    "min",
+            (descr, NOM_STAT_GROUPE, "max"): nmax,
-                ): TableTag.get_min_for_df(bilan),
+        }
-                (
-                    descr,
-                    NOM_STAT_GROUPE,
-                    "moy",
-                ): TableTag.get_moy_for_df(bilan),
-                (
-                    descr,
-                    NOM_STAT_GROUPE,
-                    "max",
-                ): TableTag.get_max_for_df(bilan),
-            }
 
     # L'interclassement
-    if tag in interclassement_taggue.moyennes_tags:
+    moy_tag = interclassement_taggue.moyennes_tags[tag]
-        bilan = interclassement_taggue.moyennes_tags[tag]
 
-        if not pd.isna(note) and note != np.nan:
+    classement = moy_tag.get_class_for_df(etudid)
-            nom_stat_promo = f"{NOM_STAT_PROMO} {diplome}"
+    nmin = moy_tag.get_min_for_df()
+    nmax = moy_tag.get_max_for_df()
+    nmoy = moy_tag.get_moy_for_df()
+
+    if not pd.isna(note) and note != np.nan:
+        nom_stat_promo = f"{NOM_STAT_PROMO} {diplome}"
+
+        donnees |= {
+            (descr, nom_stat_promo, "class."): classement,
+            (descr, nom_stat_promo, "min"): nmin,
+            (descr, nom_stat_promo, "moy"): nmoy,
+            (descr, nom_stat_promo, "max"): nmax,
+        }
 
-            donnees |= {
-                    (
-                        descr,
-                        nom_stat_promo,
-                        "class.",
-                    ): TableTag.get_class_for_df(bilan, etudid),
-                    (
-                        descr,
-                        nom_stat_promo,
-                        "min",
-                    ): TableTag.get_min_for_df(bilan),
-                    (
-                        descr,
-                        nom_stat_promo,
-                        "moy",
-                    ): TableTag.get_moy_for_df(bilan),
-                    (
-                        descr,
-                        nom_stat_promo,
-                        "max",
-                    ): TableTag.get_max_for_df(bilan),
-                }
     return donnees

app/pe/pe_semtag.py

@@ -38,7 +38,7 @@ Created on Fri Sep  9 09:15:05 2016
 import numpy as np
 
 import app.pe.pe_etudiant
-from app import db, log
+from app import db, log, ScoValueError
 from app.comp import res_sem, moy_ue, moy_sem
 from app.comp.moy_sem import comp_ranks_series
 from app.comp.res_compat import NotesTableCompat
@@ -49,7 +49,7 @@ from app.models.moduleimpls import ModuleImpl
 from app.scodoc import sco_tag_module
 from app.scodoc.codes_cursus import UE_SPORT
 import app.pe.pe_affichage as pe_affichage
-from app.pe.pe_tabletags import TableTag, TAGS_RESERVES
+from app.pe.pe_tabletags import TableTag, TAGS_RESERVES, MoyenneTag
 import pandas as pd
 
 
@@ -94,44 +94,51 @@ class SemestreTag(TableTag):
 
         # Les tags :
         ## Saisis par l'utilisateur
-        self.tags_personnalises = get_synthese_tags_personnalises_semestre(
+        tags_personnalises = get_synthese_tags_personnalises_semestre(
             self.nt.formsemestre
         )
         ## Déduit des compétences
-        self.tags_competences = get_noms_competences_from_ues(self.nt.formsemestre)
+        dict_ues_competences = get_noms_competences_from_ues(self.nt.formsemestre)
 
-        # Supprime les doublons dans les tags
+        self.tags = (
-        tags_reserves = TAGS_RESERVES + list(self.tags_competences.values())
+            list(tags_personnalises.keys())
-        for tag in self.tags_personnalises:
+            + list(dict_ues_competences.values())
-            if tag in tags_reserves:
+            + ["but"]
-                del self.tags_personnalises[tag]
+        )
-                pe_affichage.pe_print(f"Supprime le tag {tag}")
+        """Tags du semestre taggué"""
+
+        ## Vérifie l'unicité des tags
+        if len(set(self.tags)) != len(self.tags):
+            raise ScoValueError(
+                f"""Erreur dans le module PE : L'un des tags saisis dans le programme 
+            fait parti des tags réservés (par ex. "comp. <titre_compétence>"). Modifiez les
+            tags de votre programme"""
+            )
 
         # Calcul des moyennes & les classements de chaque étudiant à chaque tag
         self.moyennes_tags = {}
 
-        for tag in self.tags_personnalises:
+        for tag in tags_personnalises:
             # pe_affichage.pe_print(f"  -> Traitement du tag {tag}")
-            moy_gen_tag = self.compute_moyenne_tag(tag)
+            moy_gen_tag = self.compute_moyenne_tag(tag, tags_personnalises)
-            self.moyennes_tags[tag] = self.comp_moy_et_stat(moy_gen_tag)
+            self.moyennes_tags[tag] = MoyenneTag(tag, moy_gen_tag)
 
         # Ajoute les moyennes générales de BUT pour le semestre considéré
         moy_gen_but = self.nt.etud_moy_gen
-        moy_gen_but = pd.to_numeric(moy_gen_but, errors="coerce")
+        self.moyennes_tags["but"] = MoyenneTag("but", moy_gen_but)
-        self.moyennes_tags["but"] = self.comp_moy_et_stat(moy_gen_but)
 
         # Ajoute les moyennes par compétence
-        for ue_id, competence in self.tags_competences.items():
+        for ue_id, competence in dict_ues_competences.items():
             moy_ue = self.nt.etud_moy_ue[ue_id]
-            self.moyennes_tags[competence] = self.comp_moy_et_stat(moy_ue)
+            self.moyennes_tags[competence] = MoyenneTag(competence, moy_ue)
+
+        self.tags_sorted = self.get_all_tags()
+        """Tags (personnalisés+compétences) par ordre alphabétique"""
 
         # Synthétise l'ensemble des moyennes dans un dataframe
-        self.tags_sorted = sorted(
+
-            self.moyennes_tags
+        self.notes = self.df_notes()
-        )  # les tags (personnalisés+compétences) par ordre alphabétique
+        """Dataframe synthétique des notes par tag"""
-        self.notes = (
-            self.df_notes()
-        )  # Le dataframe synthétique des notes (=moyennes par tag)
 
         pe_affichage.pe_print(
             f"   => Traitement des tags {', '.join(self.tags_sorted)}"
@@ -141,9 +148,10 @@ class SemestreTag(TableTag):
         """Nom affiché pour le semestre taggué"""
         return app.pe.pe_etudiant.nom_semestre_etape(self.formsemestre, avec_fid=True)
 
-    def compute_moyenne_tag(self, tag: str) -> list:
+    def compute_moyenne_tag(self, tag: str, tags_infos: dict) -> pd.Series:
         """Calcule la moyenne des étudiants pour le tag indiqué,
-        pour ce SemestreTag.
+        pour ce SemestreTag, en ayant connaissance des informations sur
+        les tags (dictionnaire donnant les coeff de repondération)
 
         Sont pris en compte les modules implémentés associés au tag,
         avec leur éventuel coefficient de **repondération**, en utilisant les notes
@@ -151,8 +159,8 @@ class SemestreTag(TableTag):
 
         Force ou non le calcul de la moyenne lorsque des notes sont manquantes.
 
-        Renvoie les informations sous la forme d'une liste
+        Returns:
-            [ (moy, somme_coeff_normalise, etudid), ...]
+            La série des moyennes
         """
 
         """Adaptation du mask de calcul des moyennes au tag visé"""
@@ -163,13 +171,13 @@ class SemestreTag(TableTag):
 
         """Désactive tous les modules qui ne sont pas pris en compte pour ce tag"""
         for i, modimpl in enumerate(self.formsemestre.modimpls_sorted):
-            if modimpl.moduleimpl_id not in self.tags_personnalises[tag]:
+            if modimpl.moduleimpl_id not in tags_infos[tag]:
                 modimpls_mask[i] = False
 
         """Applique la pondération des coefficients"""
         modimpl_coefs_ponderes_df = self.modimpl_coefs_df.copy()
-        for modimpl_id in self.tags_personnalises[tag]:
+        for modimpl_id in tags_infos[tag]:
-            ponderation = self.tags_personnalises[tag][modimpl_id]["ponderation"]
+            ponderation = tags_infos[tag][modimpl_id]["ponderation"]
             modimpl_coefs_ponderes_df[modimpl_id] *= ponderation
 
         """Calcule les moyennes pour le tag visé dans chaque UE (dataframe etudid x ues)"""

app/pe/pe_tabletags.py

@@ -40,8 +40,10 @@ Created on Thu Sep  8 09:36:33 2016
 import datetime
 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
 
@@ -49,62 +51,34 @@ import pandas as pd
 TAGS_RESERVES = ["but"]
 
 
-class TableTag(object):
+class MoyenneTag:
-    def __init__(self):
+    def __init__(self, tag: str, notes: pd.Series):
-        """Classe centralisant différentes méthodes communes aux
+        """Classe centralisant la synthèse des moyennes/classements d'une série
-        SemestreTag, TrajectoireTag, AggregatInterclassTag
+        d'étudiants à un tag donné, en stockant un dictionnaire :
+
+        ``
+        {
+            "notes": la Serie pandas des notes (float),
+            "classements": la Serie pandas des classements (float),
+            "min": la note minimum,
+            "max": la note maximum,
+            "moy": la moyenne,
+            "nb_inscrits": le nombre d'étudiants ayant une note,
+        }
+        ``
+
+        Args:
+            tag: Un tag
+            note: Une série de notes (moyenne) sous forme d'un pd.Series()
         """
-        pass
+        self.tag = tag
+        """Le tag associé à la moyenne"""
+        self.synthese = self.comp_moy_et_stat(notes)
+        """La synthèse des notes/classements/statistiques"""
 
-    # -----------------------------------------------------------------------------------------------------------
+    def __eq__(self, other):
-    def get_all_tags(self):
+        """Egalité de deux MoyenneTag lorsque leur tag sont identiques"""
-        """Liste des tags de la table, triée par ordre alphabétique
+        return self.tag == other.tag
-
-        Returns:
-            Liste de tags triés par ordre alphabétique
-        """
-        return sorted(self.moyennes_tags.keys())
-
-    def df_moyennes_et_classements(self):
-        """Renvoie un dataframe listant toutes les moyennes,
-        et les classements des étudiants pour tous les tags
-        """
-
-        etudiants = self.etudiants
-        df = pd.DataFrame.from_dict(etudiants, orient="index", columns=["nom"])
-
-        for tag in self.get_all_tags():
-            df = df.join(self.moyennes_tags[tag]["notes"].rename(f"Moy {tag}"))
-            df = df.join(self.moyennes_tags[tag]["classements"].rename(f"Class {tag}"))
-
-        return df
-
-    def df_notes(self):
-        """Renvoie un dataframe (etudid x tag) listant toutes les moyennes par tags
-
-        Returns:
-            Un dataframe etudids x tag (avec tag par ordre alphabétique)
-        """
-        tags = self.get_all_tags()
-        if tags:
-            dict_series = {tag: self.moyennes_tags[tag]["notes"] for tag in tags}
-            df = pd.DataFrame(dict_series)
-            return df
-        else:
-            return None
-
-    def str_tagtable(self):
-        """Renvoie une chaine de caractère listant toutes les moyennes,
-        les rangs des étudiants pour tous les tags."""
-
-        etudiants = self.etudiants
-        df = pd.DataFrame.from_dict(etudiants, orient="index", columns=["nom"])
-
-        for tag in self.get_all_tags():
-            df = df.join(self.moyennes_tags[tag]["notes"].rename(f"moy {tag}"))
-            df = df.join(self.moyennes_tags[tag]["classements"].rename(f"class {tag}"))
-
-        return df.to_csv(sep=";")
 
     def comp_moy_et_stat(self, notes: pd.Series) -> dict:
         """Calcule et structure les données nécessaires au PE pour une série
@@ -131,7 +105,7 @@ class TableTag(object):
         (_, 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 = {
@@ -140,42 +114,115 @@ class TableTag(object):
             "min": notes.min(),
             "max": notes.max(),
             "moy": notes.mean(),
-            "nb_inscrits": len(indices),
+            "nb_inscrits": sum(indices),
         }
         return synthese
 
-    @classmethod
+    def get_df_notes(self, arrondi=False):
-    def get_min_for_df(cls, bilan: dict) -> float:
+        """Série des notes, arrondies à 2 chiffres après la virgule"""
-        """Partant d'un dictionnaire `bilan` généralement une moyennes_tags pour un tag donné,
+        if arrondi:
-        revoie le min renseigné pour affichage dans un df"""
+            serie = self.synthese["notes"].round(2)
-        return round(bilan["min"], 2)
+        else:
+            serie = self.synthese["notes"]
+        df = serie.to_frame("notes")
+        return df
 
-    @classmethod
+    def get_df_rangs_pertinents(self) -> pd.Series:
-    def get_max_for_df(cls, bilan: dict) -> float:
+        """Série des rangs classement/nbre_inscrit"""
-        """Partant d'un dictionnaire `bilan` généralement une moyennes_tags pour un tag donné,
+        classement = self.synthese["classements"]
-        renvoie le max renseigné pour affichage dans un df"""
+        indices = classement[classement.notnull()].index.to_list()
-        return round(bilan["max"], 2)
+        classement_non_nul = classement.loc[indices].to_frame("classements")
+        classement_non_nul.insert(1, "rangs", np.nan)
 
-    @classmethod
+        nb_inscrit = self.synthese["nb_inscrits"]
-    def get_moy_for_df(cls, bilan: dict) -> float:
-        """Partant d'un dictionnaire `bilan` généralement une moyennes_tags pour un tag donné,
-        renvoie la moyenne renseignée pour affichage dans un df"""
-        return round(bilan["moy"], 2)
 
-    @classmethod
+        classement_non_nul["rangs"] = classement_non_nul["classements"].astype(int).astype(str) + "/" + str(nb_inscrit)
-    def get_class_for_df(cls, bilan: dict, etudid: int) -> str:
+        return classement_non_nul["rangs"].to_frame("rangs")
-        """Partant d'un dictionnaire `bilan` généralement une moyennes_tags pour un tag donné,
+
-        renvoie le classement ramené au nombre d'inscrits,
+    def get_note_for_df(self, etudid: int):
+        """Note d'un étudiant donné par son etudid"""
+        return round(self.synthese["notes"].loc[etudid], 2)
+
+    def get_min_for_df(self) -> float:
+        """Min renseigné pour affichage dans un df"""
+        return round(self.synthese["min"], 2)
+
+    def get_max_for_df(self) -> float:
+        """Max renseigné pour affichage dans un df"""
+        return round(self.synthese["max"], 2)
+
+    def get_moy_for_df(self) -> float:
+        """Moyenne renseignée pour affichage dans un df"""
+        return round(self.synthese["moy"], 2)
+
+    def get_class_for_df(self, etudid: int) -> str:
+        """Classement ramené au nombre d'inscrits,
         pour un étudiant donné par son etudid"""
-        classement = bilan['classements'].loc[etudid]
+        classement = self.synthese["classements"].loc[etudid]
+        nb_inscrit = self.synthese["nb_inscrits"]
         if not pd.isna(classement):
-            return f"{classement}/{bilan['nb_inscrits']}"
+            classement = int(classement)
+            return f"{classement}/{nb_inscrit}"
         else:
             return pe_affichage.SANS_NOTE
 
-    @classmethod
+    def is_significatif(self) -> bool:
-    def get_note_for_df(cls, bilan: dict, etudid: int):
+        """Indique si la moyenne est significative (c'est-à-dire à des notes)"""
-        """Partant d'un dictionnaire `bilan` généralement une moyennes_tags pour un tag donné,
+        return self.synthese["nb_inscrits"] > 0
-        renvoie la note (moyenne)
+
-        pour un étudiant donné par son etudid"""
+
-        return round(bilan["notes"].loc[etudid], 2)
+class TableTag(object):
+    def __init__(self):
+        """Classe centralisant différentes méthodes communes aux
+        SemestreTag, TrajectoireTag, AggregatInterclassTag
+        """
+        pass
+
+    # -----------------------------------------------------------------------------------------------------------
+    def get_all_tags(self):
+        """Liste des tags de la table, triée par ordre alphabétique,
+        extraite des clés du dictionnaire ``moyennes_tags`` connues (tags en doublon
+        possible).
+
+        Returns:
+            Liste de tags triés par ordre alphabétique
+        """
+        return sorted(list(self.moyennes_tags.keys()))
+
+    def df_moyennes_et_classements(self) -> pd.DataFrame:
+        """Renvoie un dataframe listant toutes les moyennes,
+        et les classements des étudiants pour tous les tags.
+
+        Est utilisé pour afficher le détail d'un tableau taggué
+        (semestres, trajectoires ou aggrégat)
+
+        Returns:
+            Le dataframe des notes et des classements
+        """
+
+        etudiants = self.etudiants
+        df = pd.DataFrame.from_dict(etudiants, orient="index", columns=["nom"])
+
+        tags_tries = self.get_all_tags()
+        for tag in tags_tries:
+            moy_tag = self.moyennes_tags[tag]
+            df = df.join(moy_tag.synthese["notes"].rename(f"Moy {tag}"))
+            df = df.join(moy_tag.synthese["classements"].rename(f"Class {tag}"))
+
+        return df
+
+    def df_notes(self) -> pd.DataFrame | None:
+        """Renvoie un dataframe (etudid x tag) listant toutes les moyennes par tags
+
+        Returns:
+            Un dataframe etudids x tag (avec tag par ordre alphabétique)
+        """
+        tags_tries = self.get_all_tags()
+        if tags_tries:
+            dict_series = {}
+            for tag in tags_tries:
+                # Les moyennes associés au tag
+                moy_tag = self.moyennes_tags[tag]
+                dict_series[tag] = moy_tag.synthese["notes"]
+            df = pd.DataFrame(dict_series)
+            return df

app/pe/pe_trajectoire.py

@@ -6,43 +6,44 @@ from app.pe.pe_etudiant import EtudiantsJuryPE, get_dernier_semestre_en_date
 
 
 class Trajectoire:
-    """Modélise, pour un aggrégat visé (par ex: 'S2', '3S', '2A')
-    et un ensemble d'étudiants donnés,
-    la combinaison des formsemestres des étudiants amenant à un semestre
-    terminal visé.
-
-    Si l'aggrégat est un semestre de type Si, elle stocke le (ou les)
-    formsemestres de numéro i qu'ont suivis l'étudiant pour atteindre le Si
-    (en général 1 si personnes n'a redoublé, mais 2 s'il y a des redoublants)
-
-    Pour des aggrégats de type iS ou iA (par ex, 3A=S1+S2+S3), elle identifie
-    les semestres que les étudiants ont suivis pour les amener jusqu'au semestre
-    terminal de la trajectoire (par ex: ici un S3).
-    Ces semestres peuvent être :
-    * des S1+S2+S1+S2+S3 si redoublement de la 1ère année
-    * des S1+S2+(année de césure)+S3 si césure, ...
-    """
-
     def __init__(self, nom_aggregat: str, semestre_final: FormSemestre):
         """Modélise un ensemble de formsemestres d'étudiants
-        amenant à un semestre terminal
+        amenant à un semestre terminal, au sens d'un aggrégat (par ex: 'S2', '3S', '2A').
+
+        Si l'aggrégat est un semestre de type Si, elle stocke le (ou les)
+        formsemestres de numéro i qu'ont suivi l'étudiant pour atteindre le Si
+        (en général 1 si personnes n'a redoublé, mais 2 s'il y a des redoublants)
+
+        Pour des aggrégats de type iS ou iA (par ex, 3A=S1+S2+S3), elle identifie
+        les semestres que les étudiants ont suivis pour les amener jusqu'au semestre
+        terminal de la trajectoire (par ex: ici un S3).
+
+        Ces semestres peuvent être :
+
+        * des S1+S2+S1+S2+S3 si redoublement de la 1ère année
+        * des S1+S2+(année de césure)+S3 si césure, ...
 
         Args:
             nom_aggregat: Un nom d'aggrégat (par ex: '5S')
             semestre_final: Le semestre final de l'aggrégat
         """
         self.nom = nom_aggregat
-        self.semestre_final = semestre_final
+        """Nom de l'aggrégat"""
-        self.trajectoire_id = (nom_aggregat, semestre_final.formsemestre_id)
+
+        self.formsemestre_final = semestre_final
+        """FormSemestre terminal de la trajectoire"""
+
+        self.trajectoire_id = (nom_aggregat, semestre_final.formsemestre_id)
+        """Identifiant de la trajectoire"""
 
-        """Les semestres à aggréger"""
         self.semestres_aggreges = {}
+        """Semestres aggrégés"""
 
     def add_semestres_a_aggreger(self, semestres: dict[int:FormSemestre]):
-        """Ajoute des semestres au semestre à aggréger
+        """Ajout de semestres aux semestres à aggréger
 
         Args:
-            semestres: Dictionnaire ``{fid: FormSemestre(fid)} à ajouter``
+            semestres: Dictionnaire ``{fid: FormSemestre(fid)}`` à ajouter
         """
         self.semestres_aggreges = self.semestres_aggreges | semestres
 
@@ -55,27 +56,30 @@ class Trajectoire:
             semestre = self.semestres_aggreges[fid]
             noms.append(f"S{semestre.semestre_id}({fid})")
         noms = sorted(noms)
-        repr = f"{self.nom} ({self.semestre_final.formsemestre_id}) {self.semestre_final.date_fin.year}"
+        repr = f"{self.nom} ({self.formsemestre_final.formsemestre_id}) {self.formsemestre_final.date_fin.year}"
         if verbose and noms:
             repr += " - " + "+".join(noms)
         return repr
 
 
 class TrajectoiresJuryPE:
-    """Centralise toutes les trajectoires du jury PE"""
-
     def __init__(self, annee_diplome: int):
-        """
+        """Classe centralisant toutes les trajectoires des étudiants à prendre
+        en compte dans un jury PE
+
         Args:
             annee_diplome: L'année de diplomation
         """
 
         self.annee_diplome = annee_diplome
         """Toutes les trajectoires possibles"""
+
         self.trajectoires: dict[tuple:Trajectoire] = {}
-        """Quelle trajectoires pour quel étudiant :
+        """Ensemble des trajectoires recensées : {(aggregat, fid_terminal): Trajectoire}"""
-        dictionnaire {etudid: {nom_aggregat: Trajectoire}}"""
+
         self.suivi: dict[int:str] = {}
+        """Dictionnaire associant, pour chaque étudiant et pour chaque aggrégat,
+            sa trajectoire : {etudid: {nom_aggregat: Trajectoire}}"""
 
     def cree_trajectoires(self, etudiants: EtudiantsJuryPE):
         """Créé toutes les trajectoires, au regard du cursus des étudiants
@@ -122,9 +126,6 @@ class TrajectoiresJuryPE:
                     """Mémoire la trajectoire suivie par l'étudiant"""
                     self.suivi[etudid][nom_aggregat] = trajectoire
 
-            """Vérifications"""
-            # dernier_semestre_aggregat = get_dernier_semestre_en_date(semestres_aggreges)
-            # assert dernier_semestre_aggregat == formsemestre_terminal
 
 
 def get_trajectoires_etudid(trajectoires, etudid):
@@ -142,26 +143,3 @@ def get_trajectoires_etudid(trajectoires, etudid):
     return liste
 
 
-def get_semestres_a_aggreger(self, aggregat: str, formsemestre_id_terminal: int):
-    """Pour un nom d'aggrégat donné (par ex: 'S3') et un semestre terminal cible
-    identifié par son formsemestre_id (par ex: 'S3 2022-2023'),
-    renvoie l'ensemble des semestres à prendre en compte dans
-    l'aggrégat sous la forme d'un dictionnaire {fid: FormSemestre(fid)}.
-
-    Fusionne les cursus individuels des étudiants, dont le cursus correspond
-    à l'aggrégat visé.
-
-    Args:
-        aggregat: Un aggrégat (par ex. 1A, 2A, 3S, 6S)
-        formsemestre_id_terminal: L'identifiant du formsemestre terminal de l'aggrégat, devant correspondre au
-                                  dernier semestre de l'aggrégat
-    """
-    noms_semestres_aggreges = pe_comp.PARCOURS[aggregat]["aggregat"]
-
-    formsemestres = {}
-    for etudid in self.cursus:
-        cursus_etudiant = self.cursus[etudid][aggregat]
-        if formsemestre_id_terminal in cursus_etudiant:
-            formsemestres_etudiant = cursus_etudiant[formsemestre_id_terminal]
-            formsemestres = formsemestres | formsemestres_etudiant
-    return formsemestres

app/pe/pe_trajectoiretag.py

@@ -43,7 +43,7 @@ import pandas as pd
 import numpy as np
 from app.pe.pe_trajectoire import Trajectoire
 
-from app.pe.pe_tabletags import TableTag
+from app.pe.pe_tabletags import TableTag, MoyenneTag
 
 
 class TrajectoireTag(TableTag):
@@ -58,18 +58,25 @@ class TrajectoireTag(TableTag):
 
         Par ex: fusion d'un parcours ['S1', 'S2', 'S3'] donnant un nom_combinaison = '3S'
 
+        Args:
+            trajectoire: Une trajectoire (aggrégat+semestre terminal)
+            semestres_taggues: Les données sur les semestres taggués
         """
         TableTag.__init__(self)
 
-        # La trajectoire associée
+
         self.trajectoire_id = trajectoire.trajectoire_id
+        """Identifiant de la trajectoire tagguée"""
+
         self.trajectoire = trajectoire
+        """Trajectoire associée à la trajectoire tagguée"""
 
-        # Le nom de la trajectoire tagguée (identique à la trajectoire)
         self.nom = self.get_repr()
+        """Représentation textuelle de la trajectoire tagguée"""
 
-        self.formsemestre_terminal = trajectoire.semestre_final
+        self.formsemestre_terminal = trajectoire.formsemestre_final
         """Le formsemestre terminal"""
+
         # Les résultats du formsemestre terminal
         nt = load_formsemestre_results(self.formsemestre_terminal)
 
@@ -100,11 +107,15 @@ class TrajectoireTag(TableTag):
         self.notes = compute_tag_moy(self.notes_cube, etudids, self.tags_sorted)
         """Calcul les moyennes par tag sous forme d'un dataframe"""
 
-        self.moyennes_tags = {}
+        self.moyennes_tags: dict[str, MoyenneTag] = {}
         """Synthétise les moyennes/classements par tag (qu'ils soient personnalisé ou de compétences)"""
         for tag in self.tags_sorted:
             moy_gen_tag = self.notes[tag]
-            self.moyennes_tags[tag] = self.comp_moy_et_stat(moy_gen_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