Tools4AS

tools4AS.py module

API reference

pyphyschemtools.tools4AS.ApplySecondeChance(df, nomCC, nomCCSC, nomCCdelaSC)

modification du dataframe df

entrée :

• df = dataframe auquel on va ajouter une nouvelle colonne nomCCSC qui va contenir la note de la colonne nomCC soit celle de la colonne nomCCdelaSC, si cell-ci est supérieure à la notede nomCC

• nomCC = nom de la colonne à laquelle on applique la seconde chance

• nomCCSC = nom de la nouvelle colonne qui contient la note du CC après application de la seconde chance

• nomCCdelaSC = nom de la colonne qui contient la note “seconde chance

sortie :

• moyenne après application de la seconde chance

• écart-type après application de la seconde chance

pyphyschemtools.tools4AS.BoiteAMoustachesByMentionEtParcours(df, Moyenne, Mention, Parcours, NomGraphique)

pyphyschemtools.tools4AS.BoiteAMoustachesByMentionEtParcoursHue(df, Moyenne, Mention, Parcours, NomGraphique)

pyphyschemtools.tools4AS.ComparaisonMoyennesDMCC(df, nomCC1, nomCC2, SeuilBadDMCC1, SeuilGoodDMCC1)

entrée :

• df = dataframe avec uniquement les étudiants AJ ou ADM, c’est-à-dire qu’il n’y a aucun fantôme

• nomCC1 = en-tête de la colonne de df qui contient la note du premier CC

• nomCC2 = en-tête de la colonne de df qui contient la note du 2nd CC

• SeuilBadDMCC1 = Seuil en-dessous duquel la note au nomCC1 est considérée comme médiocre

• SeuilGoodDMCC1 = Seuil au-deçà duquel la note au nomCC1 est considérée comme bonne

affichage :

• moyenne au nomCC2 de la cohorte d’étudiant(e)s

  • en-dessous du SeuilBadDMCC1 au nomCC1

  • au-dessus du SeuilGoodDMCC1 au nomCC1

  • entre les deux seuils au nomCC1

• jointplot entre nomCC1 et nomCC2 uniquement pour les étudiant(e)s dont la note au CC1 est considérée comme médiocre

pyphyschemtools.tools4AS.CreationDfADMAJGH(df, note, Seuil, prefix, MD, Parc, IDApoG)

entrée :

• df = dataframe avec les mentions/parcours/moyennes

• note = nom de la colonne qui contient la moyenne globale

• Seuil = seuil de réussite pour départager ADM & AJ

• prefix = préfixe du nom de fichier temporaire, incluant ou nom le nom d’un sous-répertoire de sauvegarde

• MD = nom de la colonne qui contient la dénomination simplifiée de la mention de diplôme (“MentionD”)

• Parc = nom de la colonne qui contient le parcours

• IDApoG = nom de la colonne qui contient l’ID des étudiants

sortie :

• dfADM = dataframe des admis

• dfAJ = dataframe des ajournés

• dfGhosts = dataframe des fantômes (aka Ghosts ; i.e. n’ont passé aucun des CC)

affichage : stats rapides (describe & sum) de chacun des sous-ensembles ADM, AJ, Ghosts

sauvegarde : fichier excel tmp{Note}.xlsx avec 3 onglets (ADM, AJ, Ghosts)

pyphyschemtools.tools4AS.Histogrammes(df, nomCC, Moyenne, NomGraphique, w, moy, std, moyT, stdT, legende)

entrée :

• df = dataframe qui contient ID, Noms, Prénoms, notes de CC, et Moyenne pondérée

• nomCC = liste qui contient noms d’en-têtes des colonnes qui contiennent les notes de CC

• Moyenne = nom de l’en-tête de la colonne qui contient la moyenne

• NomGraphique = nom du fichier png qui va contenir la figure

• w = liste qui contient les coeffs des CC

• moy = liste qui contient la moyenne de chaque CC

• std = liste qui contient l’écart-type calculé pour chaque CC

• moyT = moyenne des 4 CC

• stdT = écart-type calculé pour la note globale

• legende = titre qui sera affiché sur l’histogramme principal

affichage :

• 1 petit histogramme /CC

• 1 grand histogramme avec la moyenne

sauvegarde :

• fichier graphique ‘NomGraphique’ avec 1 petit histogramme par CC + 1 grand histogramme avec la moyenne

pyphyschemtools.tools4AS.MentionAuModule(note, Seuil)

entrée :

• note = valeur numérique ou NaN

• Seuil = seuil de réussite

sortie :

• m = mention au module (AJ, P, AB, B, TB ou PB!! dans le cas où la colonne contiendrait une valeur numérique non comprise entre 0 et 20, ou bien toute autre contenu (caractères etc)

pyphyschemtools.tools4AS.RenameDfHeader(dfCC, dfCCname, labelNoteCC, nomCC)

entrée :

• dfCC = dataframe dont 1 colonne contient les notes de CC

• dfCCname = nom (string) du dataframe. Il est recommandé d’utiliser f’{dfCC=}’.split(‘=’)[0]

• labelNoteCC = label de la colonne qui contient les notes

• nomCC = label de l’épreuve de CC (ex CC1), utilisé pour l’affichage

sortie : aucune

la fonction change le nom ‘labelNoteCC’ en ‘nomCC’

pyphyschemtools.tools4AS.ReplaceABSByNan(df, nomCC)

entrée :

• dataframe qui contient les notes

• nom des colonnes qui contiennent les notes

sortie

• nouveau dataframe où toutes les notes des colonnes nomCC = ABS sont remplacées par des nan

pyphyschemtools.tools4AS.ReplaceNanBy0(df, nomCC)

pyphyschemtools.tools4AS.ReplaceNanBy0OLD(df, nomCC)

entrée :

• df = dataframe avec les notes

• nomCC = liste des en-têtes de colonnes qui contiennt les notes

sortie :

• le dataframe avec Nan remplacé par 0 pour chaque étudiant qui a au moins une note de CC

pyphyschemtools.tools4AS.StackedBarPop(df, ListCols, ylabel, NomGraphique)

entrée :

• df : dataframe contenant l’analyse statistique globale, dont les moyennes, effectifs, etc. i.e. le dataframe renvoyé par StatsRéussiteParMentionOuParcours()

• ListCols = liste avecles labels des colonnes contenant les valeurs numériques qu’on veut tracer comme un histogramme empilé

• ylabel = label de l’axe des y

• NomGraphique = nom du fichier png qui va être sauvé

affichage :

• bar plot empilé de pandas

sauvegarde :

fichier graphique ‘NomGraphique’ au format png

pyphyschemtools.tools4AS.StackedBarPopPO(dfRef, Mention, Parcours, NomGraphique)

entrée :

• dfRef : dataframe contenant la liste des étudiants avec leur Mention et leur otpion, tel que généré par mentionD()

• Mention = nom de la colonne qui contient le nom simplifié d’une Mention

• Parcours = nom de la colonne qui contient la version simplifiée d’un Parcours

• NomGraphique = nom du fichier png qui va être sauvé

affichage :

• histplot “hue” de seaborn, càd les effectifs par Parcours empilés pour chaque Mention

sauvegarde :

fichier graphique ‘NomGraphique’ au format png

pyphyschemtools.tools4AS.StatsRéussiteParMentionOuParcours(dfT, dfADM, dfAJ, dfGhosts, Category, note)

entrée :

• dfT = dataframe qui contient toutes les notes, ainsi qu’au moins une catégorisation (exemple : Mention ou Parcours ou Section etc…)

• dfADM = dataframe qui contient uniquement les étudiants admis

• dfAJ = dataframe qui contient uniquement les étudiants ajournés (sans les fantômes)

• dfGhosts = dataframe qui contient la liste des fantômes

• Category = nom de la colonne sur laquelle on veut faire des analyses statistiques

• note = nom de la colonne qui contient la note qu’on veut analyser par catégorie (généralement la moyenne finale)

sortie :

• dfStats

affichage :

pyphyschemtools.tools4AS.StatsRéussiteParMentionOuParcoursWithAb(dfT, dfADM, dfAJ, dfGhosts, dfAb, Category, note)

entrée :

• dfT = dataframe qui contient toutes les notes, ainsi qu’au moins une catégorisation (exemple : Mention ou Parcours ou Section etc…)

• dfADM = dataframe qui contient uniquement les étudiants admis

• dfAJ = dataframe qui contient uniquement les étudiants ajournés (sans les fantômes)

• dfGhosts = dataframe qui contient la liste des fantômes

• dfAb = dataframe qui contient la liste des étudiants qui ont abandonné

• Category = nom de la colonne sur laquelle on veut faire des analyses statistiques

• note = nom de la colonne qui contient la note qu’on veut analyser par catégorie (généralement la moyenne finale)

sortie :

• dfStats

affichage :

pyphyschemtools.tools4AS.checkNoID_DuplicateID(df, dfname, ID, nom, NomPrenom)

pyphyschemtools.tools4AS.concat2ApoG(df2Complete, ID_ApoG, dfCC, Col2SaveInCC, IDCC, nomCC)

entrée :

• df2Complete = dataframe à compléter (merge = ‘left’)

  • au premier appel, ce soit être le fichier de Référence

  • ensuite c’est le fichier de notes lui-même, en cours d’update

• ID_ApoG = label de la colonne qui contient les numéros étudiants dans le fichier de référence

• dfCC = dataframe dont 1 colonne contient les notes de CC

• Col2SaveInCC = liste avec les en-têtes de colonnes qui contiennent les colonnes de dfCC à reporter dans dfNotes

• IDCC = label de la colonne qui contient les numéros étudiants dans le fichier de notes

• nomCC = à ce stade, c’est aussi bien le label de la colonne qui contient les notes que le label de l’épreuve de CC (ex CC1), utilisé pour l’affichage

sortie :

• le dataframe dfNotes. Contient la version concaténée du dataframe d’entrée df2complete et certaines colonnes du dataframe des notes dfCC ([Col2SaveInCC + IDCC + nomCC])

• un dataframe dfnotFoundInRef qui contient la liste des étudiants qui sont dans le fichier de notes et pas dans le fichier de référence

affichages :

• liste des étudiants qui sont dans le fichier de notes et pas dans le fichier de référence

pyphyschemtools.tools4AS.css_styling()

pyphyschemtools.tools4AS.dropColumnsByIndex(df, idropC)

entrée :

• df = dataframe dont on veut supprimer des colonnes

• idropC = indices des colonnes dont on veut se débarasser

sortie :

• dfCleaned = dataframe originel dont les colonnes indexées par idropC ont été supprimées

pyphyschemtools.tools4AS.kdePlotByMentionEtParcours(df, Moyenne, Mention, Parcours, NomGraphique)

entrée :

• df = dataframe qui contient ID, Noms, Prénoms, notes de CC, Moyenne pondérée, Mention et Parcours

• Mention = nom de l’en-tête de la colonne qui contient la Mention de diplôme simplifiée d’un étudiant

• Parcours = nom de l’en-tête de la colonne qui contient le parcours suivi par un étudiant

affichage :

• 1 graphe avec des plots kde par Mention

• 1 graphe avec des plots kde par Parcours

sauvegarde :

• fichier graphique ‘NomGraphique’ avec les 2 graphes

pyphyschemtools.tools4AS.mentionD(row, Mention)

pyphyschemtools.tools4AS.parcours(row, Parcours)

pyphyschemtools.tools4AS.plotTauxADMasBars(dfwoSC, dfwSC, xCol, hueCol, NomGraphique)

entrée :

• dfwoSC = dataframe contenant les stats ADM/AJ/Ghosts avant l’application de la seconde chance

• dfwSC = dataframe contenant les stats ADM/AJ/Ghosts après l’application de la seconde chance

• xCol = nom de la colonne qui contient les taux de réussite

• hueCol = nom de la colonne qui contient les paramètres avant ou après seconde chance

• NomGraphique = nom du fichier png qui va être sauvé

affichage :

• bar plot de seaborn

sauvegarde :

fichier graphique ‘NomGraphique’ au format png

pyphyschemtools.tools4AS.read_excel(xlFile, decimal, name)

entrée :

• xlFile = nom du ficher excel

• decimal = “.” ou “,” selon le cas

• name = label du dataframe, utilisé pour l’affichage

sortie :

• le dataframe qui contient l’intégralité du fichier excel

• le nombre de lignes de ce tableau (à l’exclusion de l’en-tête des colonnes)

affichage :

• statistiques descriptives (describe) de toutes les colonnes, y compris celles qui ne contiennent pas de valeurs numériques

pyphyschemtools.tools4AS.verifNotes(dfCC, labelNoteCC, nomCC, NI, absents='aabs')

Parameters:

• CC (- nomCC = label de l'épreuve de)

• notes (- labelNoteCC = label de la colonne qui contient les)

• CC

• module (- NI = nombre d'inscrits dans le)

• absents (-) –

  • ‘aabs’ : analyser s’il y a des étudiants qui n’ont pas été pointés au CC (défaut)

  • ’noabs’ne pas analyser s’il y a des étudiants qui n’ont pas été pointés au CC

    (ça n’a plus de sens une fois les fichiers concaténés)

Returns:

• la moyenne et la déviation standard de liste de notes contenues dans le dataframe dfCC

• le nombre d’étudiants qui n’ont pas composé au CC

Note

Affiche le nombre d’étudiants avec le label ‘ABS’ et signale les étudiants sans note ni label, ce qui nécessite une vérification du PV.