Etat intermédiaire
This commit is contained in:
parent
1bed4bb720
commit
c91ab67951
|
|
@ -55,8 +55,7 @@ class RCSemXTag(pe_tabletags.TableTag):
|
|||
semXs_suivis: dict[int, dict],
|
||||
):
|
||||
"""Calcule les moyennes par tag (orientées compétences)
|
||||
d'un regroupement de SxTag
|
||||
(RCRCF), pour extraire les classements par tag pour un
|
||||
d'un regroupement de SxTag, pour extraire les classements par tag pour un
|
||||
groupe d'étudiants donnés. Le groupe d'étudiants est formé par ceux ayant tous
|
||||
participé au même semestre terminal.
|
||||
|
||||
|
|
@ -139,13 +138,13 @@ class RCSemXTag(pe_tabletags.TableTag):
|
|||
# en "aggrégant" les données des sxstags, compétence par compétence
|
||||
(
|
||||
inscr_df,
|
||||
inscr_cube,
|
||||
inscr_cube, # données d'inscriptions
|
||||
notes_df,
|
||||
notes_cube,
|
||||
notes_cube, # notes
|
||||
coeffs_df,
|
||||
coeffs_cube,
|
||||
coeffs_cube, # coeffs pour la moyenne générale (par UEs)
|
||||
coeffs_rcues_df,
|
||||
coeffs_rcues_cube,
|
||||
coeffs_rcues_cube, # coeffs pour la moyenne de regroupement d'UEs
|
||||
) = self.assemble_cubes(tag)
|
||||
|
||||
# Calcule les moyennes, et synthétise les coeffs
|
||||
|
|
@ -363,67 +362,92 @@ class RCSemXTag(pe_tabletags.TableTag):
|
|||
coeffs_rcue: np.array,
|
||||
inscr_mask: np.array,
|
||||
):
|
||||
"""Calcule la moyenne par compétences (à un tag donné) sur plusieurs semestres (partant du set_cube).
|
||||
"""Calcule la moyenne par UEs|Compétences en moyennant sur les semestres et renvoie les résultats (notes
|
||||
et coeffs) sous la forme de DataFrame"""
|
||||
(etud_moy_tag, coeff_tag) = compute_moyennes_par_RCS(
|
||||
notes_cube, coeffs_cube, coeffs_rcue, inscr_mask
|
||||
)
|
||||
|
||||
La moyenne est un nombre (note/20), ou NaN si pas de notes disponibles
|
||||
|
||||
*Remarque* : Adaptation de moy_ue.compute_ue_moys_apc au cas des moyennes de tag
|
||||
par aggrégat de plusieurs semestres.
|
||||
|
||||
Args:
|
||||
notes_cube: notes moyennes aux compétences ndarray
|
||||
(etuds x UEs|compétences x sxtags), des floats avec des NaN
|
||||
coeffs_cube: coeffs appliqués aux compétences
|
||||
(etuds x UEs|compétences x sxtags) dans le calcul des moyennes générales,
|
||||
des floats avec des NaN
|
||||
coeffs_rcue_cube: coeffs des RCUE appliqués dans les moyennes de RCS
|
||||
inscr_mask: inscriptions aux compétences ndarray
|
||||
(etuds x UEs|compétences x sxtags), des 0 et des 1
|
||||
Returns:
|
||||
Un DataFrame avec pour columns les moyennes par tags,
|
||||
et pour rows les etudid
|
||||
"""
|
||||
# etudids_sorted: liste des étudiants (dim. 0 du cube)
|
||||
# competences_sorted: list (dim. 1 du cube)
|
||||
nb_etuds, nb_comps, nb_semestres = notes_cube.shape
|
||||
# assert nb_etuds == len(etudids_sorted)
|
||||
# assert nb_comps == len(competences_sorted)
|
||||
|
||||
# Applique le masque d'inscriptions aux notes et aux coeffs
|
||||
notes_significatives = notes_cube * inscr_mask
|
||||
coeffs_significatifs = coeffs_cube * inscr_mask
|
||||
|
||||
# Enlève les NaN des cubes pour les entrées manquantes
|
||||
notes_no_nan = np.nan_to_num(notes_significatives, nan=0.0)
|
||||
coeffs_no_nan = np.nan_to_num(coeffs_significatifs, nan=0.0)
|
||||
|
||||
# Les moyennes par tag
|
||||
with np.errstate(invalid="ignore"): # ignore les 0/0 (-> NaN)
|
||||
mask = ~np.isnan(
|
||||
notes_significatives
|
||||
) # Quelles entrées contiennent des notes ?
|
||||
etud_moy_tag = np.sum(notes_no_nan, axis=2) / np.sum(mask, axis=2)
|
||||
|
||||
coeffs_pris_en_compte = coeffs_no_nan * mask
|
||||
coeff_tag = np.sum(coeffs_pris_en_compte, axis=2)
|
||||
|
||||
inscr_prise_en_compte = inscr_mask * mask
|
||||
inscr_prise_en_compte = np.nan_to_num(inscr_prise_en_compte, nan=-1.0)
|
||||
inscr_tag = np.max(inscr_prise_en_compte, axis=2)
|
||||
inscr_tag[inscr_tag < 0] = np.NaN # fix les max non calculés (-1) -> Na?
|
||||
|
||||
# Le dataFrame des notes moyennes
|
||||
etud_moy_tag = etud_moy_tag * inscr_tag
|
||||
etud_moy_tag_df = pd.DataFrame(
|
||||
etud_moy_tag,
|
||||
index=self.etudids_sorted, # les etudids
|
||||
columns=self.competences_sorted, # les competences
|
||||
)
|
||||
|
||||
# Le dataFrame des coeffs
|
||||
coeff_tag = coeff_tag * inscr_tag # Réapplique le masque des inscriptions
|
||||
coeffs_df = pd.DataFrame(
|
||||
coeff_tag, index=self.etudids_sorted, columns=self.competences_sorted
|
||||
)
|
||||
|
||||
return etud_moy_tag_df, coeffs_df
|
||||
|
||||
|
||||
def compute_moyennes_par_RCS(
|
||||
notes_cube: np.array,
|
||||
coeffs_cube: np.array,
|
||||
coeffs_rcue: np.array,
|
||||
inscr_mask: np.array,
|
||||
):
|
||||
"""Partant d'une série de notes (fournie sous forme d'un cube
|
||||
etudids_sorted x UEs|Compétences x semestres)
|
||||
chaque note étant pondérée par un coeff dépendant du semestre (fourni dans coeffs_rcue),
|
||||
et pondérée par un coeff dépendant de l'UE|Compétence pour calculer une moyenne générale
|
||||
(fourni dans coeffs_cube),
|
||||
calcule :
|
||||
* la moyenne par UEs|Compétences sur plusieurs semestres (partant du set_cube).
|
||||
* les coeffs "cumulés" à appliquer pour le calcul de la moyenne générale
|
||||
|
||||
La moyenne est un nombre (note/20), ou NaN si pas de notes disponibles
|
||||
|
||||
Args:
|
||||
notes_cube: notes moyennes aux compétences ndarray
|
||||
(etuds_sorted x UEs|compétences x sxtags),
|
||||
des floats avec des NaN
|
||||
coeffs_cube: coeffs appliqués aux compétences dans le calcul des moyennes générales,
|
||||
(etuds_sorted x UEs|compétences x sxtags),
|
||||
des floats avec des NaN
|
||||
coeffs_rcue_cube: coeffs des RCUE appliqués dans les moyennes de RCS
|
||||
inscr_mask: inscriptions aux compétences ndarray
|
||||
(etuds_sorted x UEs|compétences x sxtags),
|
||||
des 0 et des 1
|
||||
Returns:
|
||||
Un DataFrame avec pour columns les moyennes par tags,
|
||||
et pour rows les etudid
|
||||
"""
|
||||
# Applique le masque d'inscriptions aux notes et aux coeffs
|
||||
notes_significatives = notes_cube * inscr_mask
|
||||
coeffs_moy_gen_significatifs = coeffs_cube * inscr_mask
|
||||
coeffs_rcues_significatifs = coeffs_rcue * inscr_mask
|
||||
|
||||
# Enlève les NaN des cubes pour les entrées manquantes
|
||||
notes_no_nan = np.nan_to_num(notes_significatives, nan=0.0)
|
||||
coeffs_no_nan = np.nan_to_num(coeffs_moy_gen_significatifs, nan=0.0)
|
||||
|
||||
# Les moyennes par tag
|
||||
with np.errstate(invalid="ignore"): # ignore les 0/0 (-> NaN)
|
||||
# Quelles entrées contiennent des notes et des coeffs?
|
||||
mask = ~np.isnan(notes_significatives) & ~np.isnan(coeffs_rcues_significatifs)
|
||||
|
||||
# La moyenne (pondérée) sur le regroupement cohérent de semestres
|
||||
coeffs_rcues_non_nan = np.nan_to_num(coeffs_rcues_significatifs * mask, nan=0.0)
|
||||
notes_ponderes = notes_no_nan * coeffs_rcues_non_nan
|
||||
etud_moy_tag = np.sum(notes_ponderes, axis=2) / np.sum(
|
||||
coeffs_rcues_non_nan, axis=2
|
||||
)
|
||||
|
||||
# Les coeffs pour la moyenne générale
|
||||
coeffs_pris_en_compte = coeffs_moy_gen_significatifs * mask
|
||||
coeffs_no_nan = np.nan_to_num(coeffs_pris_en_compte, nan=0.0)
|
||||
coeff_tag = np.sum(coeffs_no_nan, axis=2)
|
||||
|
||||
# Le masque des inscriptions prises en compte
|
||||
inscr_prise_en_compte = inscr_mask * mask
|
||||
inscr_prise_en_compte = np.nan_to_num(inscr_prise_en_compte, nan=-1.0)
|
||||
inscr_tag = np.max(inscr_prise_en_compte, axis=2)
|
||||
inscr_tag[inscr_tag < 0] = np.NaN # fix les max non calculés (-1) -> Na?
|
||||
|
||||
# Le dataFrame des notes moyennes, en réappliquant le masque des inscriptions
|
||||
etud_moy_tag = etud_moy_tag * inscr_tag
|
||||
# Le dataFrame des coeffs pour la moyenne générale, en réappliquant le masque des inscriptions
|
||||
coeff_tag = coeff_tag * inscr_tag # Réapplique le masque des inscriptions
|
||||
|
||||
return (etud_moy_tag, coeff_tag)
|
||||
|
|
|
|||
|
|
@ -0,0 +1,14 @@
|
|||
"""
|
||||
Test calcul moyennes pour les poursuites d'études
|
||||
"""
|
||||
import numpy as np
|
||||
from tests.unit import setup
|
||||
|
||||
from app import db
|
||||
|
||||
import app.pe.moys.pe_rcstag as pe_rcstag
|
||||
|
||||
|
||||
def test_compute_moyennes_par_RCS:
|
||||
"""Test"""
|
||||
pass
|
||||
Loading…
Reference in New Issue