app/forms/pe/pe_sem_recap.py

@@ -52,6 +52,7 @@ class ParametrageClasseurPE(FlaskForm):
     )
 
     min_max_moy = BooleanField("Afficher les colonnes min/max/moy")
+
     synthese_individuelle_etud = BooleanField(
         "Générer les synthèses HTML étudiant par étudiant"
     )

app/pe/moys/pe_interclasstag.py

@@ -280,7 +280,7 @@ class InterClassTag(pe_tabletags.TableTag):
         return None
 
     def compute_df_synthese_moyennes_tag(
-        self, tag, aggregat=None, type_colonnes=False
+        self, tag, aggregat=None, type_colonnes=False, options={"min_max_moy": True}
     ) -> pd.DataFrame:
         """Construit le dataframe retraçant pour les données des moyennes
         pour affichage dans la synthèse du jury PE. (cf. to_df())
@@ -322,8 +322,7 @@ class InterClassTag(pe_tabletags.TableTag):
             if tag in rcstag.moyennes_tags:
                 moytag: pd.DataFrame = rcstag.moyennes_tags[tag]
                 df_moytag = moytag.to_df(
-                    aggregat=aggregat,
+                    aggregat=aggregat, cohorte="Groupe", options=options
-                    cohorte="Groupe",
                 )
 
                 # Modif les colonnes au regard du 1er df_moytag significatif lu

app/pe/moys/pe_moy.py

@@ -18,7 +18,12 @@ class Moyenne:
     ]
     """Colonnes du df"""
 
-    COLONNES_SYNTHESE = ["note", "rang", "min", "max", "moy"]
+    @classmethod
+    def get_colonnes_synthese(cls, with_min_max_moy):
+        if with_min_max_moy:
+            return ["note", "rang", "min", "max", "moy"]
+        else:
+            return ["note", "rang"]
 
     def __init__(self, notes: pd.Series):
         """Classe centralisant la synthèse des moyennes/classements d'une série
@@ -97,9 +102,12 @@ class Moyenne:
 
         return df
 
-    def get_df_synthese(self):
+    def get_df_synthese(self, with_min_max_moy=None):
         """Renvoie le df de synthese limité aux colonnes de synthese"""
-        df = self.df[self.COLONNES_SYNTHESE].copy()
+        colonnes_synthese = Moyenne.get_colonnes_synthese(
+            with_min_max_moy=with_min_max_moy
+        )
+        df = self.df[colonnes_synthese].copy()
         df["rang"] = df["rang"].replace("nan", "")
         return df
 

app/pe/moys/pe_moytag.py

@@ -107,15 +107,18 @@ class MoyennesTag:
 
         return moy_gen_tag
 
-    def to_df(self, aggregat=None, cohorte=None) -> pd.DataFrame:
+    def to_df(
+        self, aggregat=None, cohorte=None, options={"min_max_moy": True}
+    ) -> pd.DataFrame:
         """Renvoie le df synthétisant l'ensemble des données
         connues
         Adapte les intitulés des colonnes aux données fournies
         (nom d'aggrégat, type de cohorte).
-
-        `pole` détermine les modules à prendre en compte dans la moyenne (None=tous,
-        RESSOURCES ou SAES)
         """
+        if "min_max_moy" not in options or options["min_max_moy"]:
+            with_min_max_moy = True
+        else:
+            with_min_max_moy = False
 
         etudids_sorted = sorted(self.etudids)
 
@@ -124,20 +127,27 @@ class MoyennesTag:
         # Ajout des notes pour tous les champs
         champs = list(self.champs)
         for champ in champs:
-            df_champ = self.moyennes_gen[champ].get_df_synthese()  # le dataframe
+            df_champ = self.moyennes_gen[champ].get_df_synthese(
+                with_min_max_moy=with_min_max_moy
+            )  # le dataframe
             # Renomme les colonnes
+
             cols = [
                 get_colonne_df(aggregat, self.tag, champ, cohorte, critere)
-                for critere in pe_moy.Moyenne.COLONNES_SYNTHESE
+                for critere in pe_moy.Moyenne.get_colonnes_synthese(
+                    with_min_max_moy=with_min_max_moy
+                )
             ]
             df_champ.columns = cols
             df = df.join(df_champ)
 
         # Ajoute la moy générale
-        df_moy_gen = self.moyenne_gen.get_df_synthese()
+        df_moy_gen = self.moyenne_gen.get_df_synthese(with_min_max_moy=with_min_max_moy)
         cols = [
             get_colonne_df(aggregat, self.tag, CHAMP_GENERAL, cohorte, critere)
-            for critere in pe_moy.Moyenne.COLONNES_SYNTHESE
+            for critere in pe_moy.Moyenne.get_colonnes_synthese(
+                with_min_max_moy=with_min_max_moy
+            )
         ]
         df_moy_gen.columns = cols
         df = df.join(df_moy_gen)

app/pe/moys/pe_tabletags.py

@@ -89,6 +89,7 @@ class TableTag(object):
         aggregat=None,
         tags_cibles=None,
         cohorte=None,
+        options={"min_max_moy": True},
     ) -> pd.DataFrame:
         """Renvoie un dataframe listant toutes les données
         des moyennes/classements/nb_inscrits/min/max/moy
@@ -126,7 +127,7 @@ class TableTag(object):
         for tag in tags_cibles:
             if tag in self.moyennes_tags:
                 moy_tag_df = self.moyennes_tags[tag].to_df(
-                    aggregat=aggregat, cohorte=cohorte
+                    aggregat=aggregat, cohorte=cohorte, options=options
                 )
                 df = df.join(moy_tag_df)
 

app/pe/pe_jury.py

@@ -682,7 +682,7 @@ class JuryPE(object):
             if interclass.is_significatif():
                 # Le dataframe du classement sur le groupe
                 df_groupe = interclass.compute_df_synthese_moyennes_tag(
-                    tag, aggregat=aggregat, type_colonnes=False
+                    tag, aggregat=aggregat, type_colonnes=False, options=self.options
                 )
                 if not df_groupe.empty:
                     aff_aggregat += [aggregat]
@@ -694,6 +694,7 @@ class JuryPE(object):
                     aggregat=aggregat,
                     tags_cibles=[tag],
                     cohorte="Promo",
+                    options=self.options,
                 )
 
                 if not df_promo.empty: