456 lines
19 KiB
Python
456 lines
19 KiB
Python
# -*- mode: python -*-
|
|
# -*- coding: utf-8 -*-
|
|
|
|
##############################################################################
|
|
#
|
|
# Gestion scolarite IUT
|
|
#
|
|
# Copyright (c) 1999 - 2024 Emmanuel Viennet. All rights reserved.
|
|
#
|
|
# This program is free software; you can redistribute it and/or modify
|
|
# it under the terms of the GNU General Public License as published by
|
|
# the Free Software Foundation; either version 2 of the License, or
|
|
# (at your option) any later version.
|
|
#
|
|
# This program is distributed in the hope that it will be useful,
|
|
# but WITHOUT ANY WARRANTY; without even the implied warranty of
|
|
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
|
|
# GNU General Public License for more details.
|
|
#
|
|
# You should have received a copy of the GNU General Public License
|
|
# along with this program; if not, write to the Free Software
|
|
# Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA
|
|
#
|
|
# Emmanuel Viennet emmanuel.viennet@viennet.net
|
|
#
|
|
##############################################################################
|
|
|
|
##############################################################################
|
|
# Module "Avis de poursuite d'étude"
|
|
# conçu et développé par Cléo Baras (IUT de Grenoble)
|
|
##############################################################################
|
|
|
|
"""
|
|
Created on Fri Sep 9 09:15:05 2016
|
|
|
|
@author: barasc
|
|
"""
|
|
|
|
from app.models import FormSemestre
|
|
from app.pe import pe_affichage
|
|
import pandas as pd
|
|
import numpy as np
|
|
from app.pe.rcss import pe_rcs, pe_rcsemx
|
|
import app.pe.moys.pe_sxtag as pe_sxtag
|
|
import app.pe.pe_comp as pe_comp
|
|
from app.pe.moys import pe_tabletags, pe_moytag
|
|
from app.scodoc.sco_utils import ModuleType
|
|
|
|
|
|
class RCSemXTag(pe_tabletags.TableTag):
|
|
def __init__(
|
|
self,
|
|
rcsemx: pe_rcsemx.RCSemX,
|
|
sxstags: dict[(str, int) : pe_sxtag.SxTag],
|
|
semXs_suivis: dict[int, dict],
|
|
):
|
|
"""Calcule les moyennes par tag (orientées compétences)
|
|
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.
|
|
|
|
Args:
|
|
rcsemx: Le RCSemX (identifié par un nom et l'id de son semestre terminal)
|
|
sxstags: Les données sur les SemX taggués
|
|
semXs_suivis: Les données indiquant quels SXTags sont à prendre en compte
|
|
pour chaque étudiant
|
|
"""
|
|
pe_tabletags.TableTag.__init__(self)
|
|
|
|
self.rcs_id: tuple(str, int) = rcsemx.rcs_id
|
|
"""Identifiant du RCSemXTag (identique au RCSemX sur lequel il s'appuie)"""
|
|
|
|
self.rcsemx: pe_rcsemx.RCSemX = rcsemx
|
|
"""Le regroupement RCSemX associé au RCSemXTag"""
|
|
|
|
self.semXs_suivis = semXs_suivis
|
|
"""Les semXs suivis par les étudiants"""
|
|
|
|
self.nom = self.get_repr()
|
|
"""Représentation textuelle du RSCtag"""
|
|
|
|
# Les données du semestre final
|
|
self.formsemestre_final: FormSemestre = rcsemx.formsemestre_final
|
|
"""Le semestre final"""
|
|
self.fid_final: int = rcsemx.formsemestre_final.formsemestre_id
|
|
"""Le fid du semestre final"""
|
|
|
|
# Affichage pour debug
|
|
pe_affichage.pe_print(f"*** {self.get_repr(verbose=True)}")
|
|
|
|
# Les données aggrégés (RCRCF + SxTags)
|
|
self.semXs_aggreges: dict[(str, int) : pe_rcsemx.RCSemX] = rcsemx.semXs_aggreges
|
|
"""Les SemX aggrégés"""
|
|
self.sxstags_aggreges = {}
|
|
"""Les SxTag associés aux SemX aggrégés"""
|
|
try:
|
|
for rcf_id in self.semXs_aggreges:
|
|
self.sxstags_aggreges[rcf_id] = sxstags[rcf_id]
|
|
except:
|
|
raise ValueError("Semestres SxTag manquants")
|
|
self.sxtags_connus = sxstags # Tous les sxstags connus
|
|
|
|
# Les étudiants (etuds, états civils & etudis)
|
|
sems_dans_aggregat = rcsemx.noms_semestres_aggreges
|
|
sxtag_final = self.sxstags_aggreges[(sems_dans_aggregat[-1], self.rcs_id[1])]
|
|
self.etuds = sxtag_final.etuds
|
|
"""Les étudiants (extraits du semestre final)"""
|
|
self.add_etuds(self.etuds)
|
|
self.etudids_sorted = sorted(self.etudids)
|
|
"""Les étudids triés"""
|
|
|
|
# Les compétences (extraites de tous les Sxtags)
|
|
self.acronymes_ues_to_competences = self._do_acronymes_to_competences()
|
|
"""L'association acronyme d'UEs -> compétence (extraites des SxTag aggrégés)"""
|
|
|
|
self.competences_sorted = sorted(
|
|
set(self.acronymes_ues_to_competences.values())
|
|
)
|
|
"""Compétences (triées par nom, extraites des SxTag aggrégés)"""
|
|
aff = pe_affichage.repr_comp_et_ues(self.acronymes_ues_to_competences)
|
|
pe_affichage.pe_print(f"--> Compétences : {aff}")
|
|
|
|
# Les tags
|
|
self.tags_sorted = self._do_taglist()
|
|
"""Tags extraits de tous les SxTag aggrégés"""
|
|
aff_tag = ["👜" + tag for tag in self.tags_sorted]
|
|
pe_affichage.pe_print(f"--> Tags : {', '.join(aff_tag)}")
|
|
|
|
# Les moyennes
|
|
self.moyennes_tags: dict[str, pe_moytag.MoyennesTag] = {}
|
|
|
|
"""Synthétise les moyennes/classements par tag (qu'ils soient personnalisé ou de compétences)"""
|
|
for tag in self.tags_sorted:
|
|
pe_affichage.pe_print(f"--> Moyennes du tag 👜{tag}")
|
|
|
|
# Cubes d'inscription (etudids_sorted x compétences_sorted x sxstags),
|
|
# de notes et de coeffs pour la moyenne générale
|
|
# en "aggrégant" les données des sxstags, compétence par compétence
|
|
(
|
|
inscr_df,
|
|
inscr_cube, # données d'inscriptions
|
|
notes_df,
|
|
notes_cube, # notes
|
|
coeffs_df,
|
|
coeffs_cube, # coeffs pour la moyenne générale (par UEs)
|
|
coeffs_rcues_df,
|
|
coeffs_rcues_cube, # coeffs pour la moyenne de regroupement d'UEs
|
|
) = self.assemble_cubes(tag)
|
|
|
|
# Calcule les moyennes, et synthétise les coeffs
|
|
(
|
|
moys_competences,
|
|
matrice_coeffs_moy_gen,
|
|
) = self.compute_notes_et_coeffs_competences(
|
|
notes_cube, coeffs_cube, coeffs_rcues_cube, inscr_cube
|
|
)
|
|
|
|
# Affichage des coeffs
|
|
aff = pe_affichage.repr_profil_coeffs(
|
|
matrice_coeffs_moy_gen, with_index=True
|
|
)
|
|
pe_affichage.pe_print(f" > Moyenne calculée avec pour coeffs : {aff}")
|
|
|
|
# Mémorise les moyennes et les coeff associés
|
|
infos = {"aggregat": self.rcs_id[0], "cohorte": pe_moytag.CHAMP_GROUPE}
|
|
self.moyennes_tags[tag] = pe_moytag.MoyennesTag(
|
|
tag,
|
|
pe_moytag.CODE_MOY_COMPETENCES,
|
|
moys_competences,
|
|
matrice_coeffs_moy_gen,
|
|
infos,
|
|
)
|
|
|
|
def __eq__(self, other):
|
|
"""Egalité de 2 RCS taggués sur la base de leur identifiant"""
|
|
return self.rcs_id == other.sxtag_id
|
|
|
|
def get_repr(self, verbose=True) -> str:
|
|
"""Renvoie une représentation textuelle (celle de la trajectoire sur laquelle elle
|
|
est basée)"""
|
|
if verbose:
|
|
return f"{self.__class__.__name__} basé sur " + self.rcsemx.get_repr(
|
|
verbose=verbose
|
|
)
|
|
else:
|
|
return f"{self.__class__.__name__} {self.rcs_id}"
|
|
|
|
def assemble_cubes(self, tag):
|
|
"""Pour un tag donné, construit les cubes :
|
|
* d'inscriptions aux compétences (etudid x competences x SxTag)
|
|
* de notes (etudid x competences x SxTag)
|
|
* des coeffs pour le calcul des moyennes générales par UE (etudid x competences x SxTag)
|
|
* des coeffs pour le calcul des regroupements cohérents d'UE/compétences
|
|
|
|
nécessaires au calcul des moyennes, en :
|
|
|
|
* transformant les données des UEs en données de compétences (changement de noms)
|
|
* fusionnant les données d'un même semestre, lorsque plusieurs UEs traitent d'une même compétence (cas des RCSx = Sx)
|
|
* aggrégeant les données de compétences sur plusieurs semestres (cas des RCSx = xA ou xS)
|
|
|
|
Args:
|
|
tag: Le tag visé
|
|
"""
|
|
# etudids_sorted: list[int],
|
|
# competences_sorted: list[str],
|
|
# sxstags: dict[(str, int) : pe_sxtag.SxTag],
|
|
|
|
inscriptions_dfs = {}
|
|
notes_dfs = {}
|
|
coeffs_moy_gen_dfs = {}
|
|
coeffs_rcue_dfs = {}
|
|
|
|
for sxtag_id, sxtag in self.sxstags_aggreges.items():
|
|
# Partant de dataframes vierges
|
|
inscription_df = pd.DataFrame(
|
|
np.nan, index=self.etudids_sorted, columns=self.competences_sorted
|
|
)
|
|
notes_df = pd.DataFrame(
|
|
np.nan, index=self.etudids_sorted, columns=self.competences_sorted
|
|
)
|
|
coeffs_moy_gen_df = pd.DataFrame(
|
|
np.nan, index=self.etudids_sorted, columns=self.competences_sorted
|
|
)
|
|
coeffs_rcue_df = pd.DataFrame(
|
|
np.nan, index=self.etudids_sorted, columns=self.competences_sorted
|
|
)
|
|
|
|
# Charge les données du semestre tag (copie car changement de nom de colonnes à venir)
|
|
if tag in sxtag.moyennes_tags: # si le tag est présent dans le semestre
|
|
moys_tag = sxtag.moyennes_tags[tag]
|
|
|
|
# Les inscr, les notes, les coeffs
|
|
acro_ues_inscr_parcours = sxtag.acro_ues_inscr_parcours
|
|
notes = moys_tag.matrice_notes
|
|
coeffs_moy_gen = moys_tag.matrice_coeffs # les coeffs
|
|
coeffs_rcues = sxtag.coefs_rcue # dictionnaire UE -> coeff
|
|
|
|
# Traduction des acronymes d'UE en compétences
|
|
# comp_to_ues = pe_comp.asso_comp_to_accronymes(self.acronymes_ues_to_competences)
|
|
acronymes_ues_columns = notes.columns
|
|
for acronyme in acronymes_ues_columns:
|
|
# La compétence visée
|
|
competence = self.acronymes_ues_to_competences[acronyme] # La comp
|
|
|
|
# Les étud inscrits à la comp reportés dans l'inscription au RCSemX
|
|
comp_inscr = acro_ues_inscr_parcours[
|
|
acro_ues_inscr_parcours.notnull()
|
|
].index
|
|
etudids_communs = list(
|
|
inscription_df.index.intersection(comp_inscr)
|
|
)
|
|
inscription_df.loc[
|
|
etudids_communs, competence
|
|
] = acro_ues_inscr_parcours.loc[etudids_communs, acronyme]
|
|
|
|
# Les étud ayant une note à l'acronyme de la comp (donc à la comp)
|
|
etuds_avec_notes = notes[notes[acronyme].notnull()].index
|
|
etudids_communs = list(
|
|
notes_df.index.intersection(etuds_avec_notes)
|
|
)
|
|
notes_df.loc[etudids_communs, competence] = notes.loc[
|
|
etudids_communs, acronyme
|
|
]
|
|
|
|
# Les coeffs pour la moyenne générale
|
|
etuds_avec_coeffs = coeffs_moy_gen[
|
|
coeffs_moy_gen[acronyme].notnull()
|
|
].index
|
|
etudids_communs = list(
|
|
coeffs_moy_gen_df.index.intersection(etuds_avec_coeffs)
|
|
)
|
|
coeffs_moy_gen_df.loc[
|
|
etudids_communs, competence
|
|
] = coeffs_moy_gen.loc[etudids_communs, acronyme]
|
|
|
|
# Les coeffs des RCUE reportés là où les étudiants ont des notes
|
|
etuds_avec_notes = notes[notes[acronyme].notnull()].index
|
|
etudids_communs = list(
|
|
notes_df.index.intersection(etuds_avec_notes)
|
|
)
|
|
coeffs_rcue_df.loc[etudids_communs, competence] = coeffs_rcues[
|
|
acronyme
|
|
]
|
|
|
|
# Supprime tout ce qui n'est pas numérique
|
|
# for col in notes_df.columns:
|
|
# notes_df[col] = pd.to_numeric(notes_df[col], errors="coerce")
|
|
|
|
# Stocke les dfs
|
|
inscriptions_dfs[sxtag_id] = inscription_df
|
|
notes_dfs[sxtag_id] = notes_df
|
|
coeffs_moy_gen_dfs[sxtag_id] = coeffs_moy_gen_df
|
|
coeffs_rcue_dfs[sxtag_id] = coeffs_rcue_df
|
|
|
|
# Réunit les inscriptions sous forme d'un cube etudids x competences x semestres
|
|
sxtag_x_etudids_x_comps = [
|
|
inscriptions_dfs[sxtag_id] for sxtag_id in self.sxstags_aggreges
|
|
]
|
|
inscriptions_etudids_x_comps_x_sxtag = np.stack(
|
|
sxtag_x_etudids_x_comps, axis=-1
|
|
)
|
|
|
|
# Réunit les notes sous forme d'un cube etudids x competences x semestres
|
|
sxtag_x_etudids_x_comps = [
|
|
notes_dfs[sxtag_id] for sxtag_id in self.sxstags_aggreges
|
|
]
|
|
notes_etudids_x_comps_x_sxtag = np.stack(sxtag_x_etudids_x_comps, axis=-1)
|
|
|
|
# Réunit les coeffs sous forme d'un cube etudids x competences x semestres
|
|
sxtag_x_etudids_x_comps = [
|
|
coeffs_moy_gen_dfs[sxtag_id] for sxtag_id in self.sxstags_aggreges
|
|
]
|
|
coeffs_etudids_x_comps_x_sxtag = np.stack(sxtag_x_etudids_x_comps, axis=-1)
|
|
|
|
# Normalise les coeffs de rcue par année (pour que le poids des années soit le
|
|
# même)
|
|
# Réunit les coeffs sous forme d'un cube etudids x competences x semestres
|
|
sxtag_x_etudids_x_comps = [
|
|
coeffs_rcue_dfs[sxtag_id] for sxtag_id in self.sxstags_aggreges
|
|
]
|
|
coeffs_rcues_etudids_x_comps_x_sxtag = np.stack(
|
|
sxtag_x_etudids_x_comps, axis=-1
|
|
)
|
|
|
|
return (
|
|
inscriptions_dfs,
|
|
inscriptions_etudids_x_comps_x_sxtag,
|
|
notes_dfs,
|
|
notes_etudids_x_comps_x_sxtag,
|
|
coeffs_moy_gen_dfs,
|
|
coeffs_etudids_x_comps_x_sxtag,
|
|
coeffs_rcue_dfs,
|
|
coeffs_rcues_etudids_x_comps_x_sxtag,
|
|
)
|
|
|
|
def _do_taglist(self) -> list[str]:
|
|
"""Synthétise les tags à partir des Sxtags aggrégés.
|
|
|
|
Returns:
|
|
Liste de tags triés par ordre alphabétique
|
|
"""
|
|
tags = []
|
|
for frmsem_id in self.sxstags_aggreges:
|
|
tags.extend(self.sxstags_aggreges[frmsem_id].tags_sorted)
|
|
return sorted(set(tags))
|
|
|
|
def _do_acronymes_to_competences(self) -> dict[str:str]:
|
|
"""Synthétise l'association complète {acronyme_ue: competences}
|
|
extraite de toutes les données/associations des SxTags
|
|
aggrégés.
|
|
|
|
Returns:
|
|
Un dictionnaire {'acronyme_ue' : 'compétences'}
|
|
"""
|
|
dict_competences = {}
|
|
for sxtag_id, sxtag in self.sxstags_aggreges.items():
|
|
dict_competences |= sxtag.acronymes_ues_to_competences
|
|
return dict_competences
|
|
|
|
def compute_notes_et_coeffs_competences(
|
|
self,
|
|
notes_cube: np.array,
|
|
coeffs_cube: np.array,
|
|
coeffs_rcue: np.array,
|
|
inscr_mask: np.array,
|
|
):
|
|
"""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
|
|
)
|
|
|
|
etud_moy_tag_df = pd.DataFrame(
|
|
etud_moy_tag,
|
|
index=self.etudids_sorted, # les etudids
|
|
columns=self.competences_sorted, # les competences
|
|
)
|
|
|
|
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 1.0 (si inscrit) et des NaN (si non inscrit)
|
|
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)
|