UiPath ＲＰＡスターター
◎ＲＰＡで出来ること
・転記
・照合
・モニタリング：既存の複数システムのデータを２４時間監視、
異常検知ユーザーに報告。
例）社内規定に基づき、従業員の経費申請を確認、
規定外の申請を報告、担当者に差戻
・送付
・集約・加工
・入力
◎概論
・業界別自動化ソリューション
・部門別自動化ソリューション
◎ソリューションと推進方法
・UiPath製品概要：
・ＲＰＡ専門チーム（ＣｏＥ）
・ロボットと歩むＲＰＡジャーニー
・ＲＰＡ化対象業務の見つけ方
・ＲＰＡ化前に行うステップ
◎ＣｏＥ
ＲＰＡスポンサー、ＲＰＡチャンピオン、プロジェクトマネージャー、ソリューションアーキテクト、ＲＰＡデベロッパー、ビジネスアナリスト、チェンジマネージャー
スーパーバイザー、サービスサポート、インフラストラクチャーエンジニア
◎ＲＰＡジャーニー
・導入準備
・業務選定
・要件定義
・開発テスト
・運用管理
◎ ＲＰＡ化対象業務の見つけ方
ポイント１：RPA ができること × RPA 対象を考える着眼点を考慮する
ポイント２：まずは「業務」ではなく「作業」に着目する
ポイント３：RPA化候補の特徴：「繰り返される＆ボリュームがある」作業を探す
◎ＲＰＡ化前に行うステップ
ステップ 1：業務の棚卸しを行う
ステップ 2：開発必須の条件を確認する
ステップ 3：開発の難易度を高める要因を確認する
ステップ 4：開発優先度をつける
ステップ 5：業務プロセス定義書を作成する
Python備忘録
◎magic keyword
%matplotlib inline グラフをnotebook内に表示
%config InlineBackend.figure_format = 'retina' グラフを高解像度で表示
◎import pattern
import matplotlib.pyplot as plt
import pandas as pd
from sklearn import linear_model
type(object) 組込関数 オブジェクトの型、取得
isinstance(object,型名) 組込関数 オブジェクトの型、判定
◎pandas
・pandas.DataFrame
df=pd.read_csv('URL')
df.columns = ['','',''] DF列名設定
df.columns DF列名表示
df.index DFすべての行名
df.groupby(["列名1","列名2"]).mean() 平均
df.groupby(''列名1").size() 各列のサイズ
df.describe() DFの全体像
df.dtypes データ型を調べる
df["新列名"]= df["元となる列名"] 新列名を追加
df["列名"].astype(str) DFの列名のデータの型変換
df["列名"].value DFのデータをarray(行列形式にもなる)
DataFrameはvalues, columns, indexの3つの要素から構成されている。
その名前の通り、valuesは実際のデータの値、columnsは列名（列ラベル）、indexは行名（行ラベル）。
df.loc[:,"列名"] =dt
print(df['name'].str.contains('li')) # 0 True # 1 False # 2 True # Name: name, dtype: bool print(df[df['name'].str.contains('li')]) # name age state point # 0 Alice 24 NY 64 # 2 Charlie 18 CA 70
df[df['列名'].str.contains("文字列")]
・pandas.Series
◎numpy・・・配列を作るのが目的
a=np.array([1,2,3]) 階数1の配列を作成
type(a) np arrayの型、判定
a.shape np arrayの行数と列数
a=np.arange(start値,end値,刻み) 範囲指定の配列を生成
・numpy で乱数を生成
np.random.seed(seed=32) シードを32に設定して乱数を出力
np.random.rand() 一様乱数を１個出力
np.random.rand(3) 一様乱数を3個出力
np.random.rand(3,4) 一様乱数を3×4の行列出力
