Python和RPA之间的区别和联系

Python是实现RPA的工具之一,且RPA要复杂的多,远不是会Python这么简单。

要理解RPA和Python的区别,先看它们各自做什么。

1、什么时候会用到RPA?
比如你的财务同事需要做财务对账,发票报销,税务申报等,这些流程看似容易,其实到操作层面很繁琐细碎,而且大多是重复性操作。

如果人工来处理财务之类的数据,很浪费时间,而RPA可以搭建一整套财务自动化的系统,从数据采集、存储、整合、分析、输出都帮你串起来,既节省了人力又极大的避免人为出错。

你可以把这个流程放到任何业务场景上,人力资源、供应链、保险理赔、设备管理等,都有RPA的用武之地。

这就是RPA,obotic process automation,机器人流程自动化。图片

2、什么是RPA技术?
RPA是一种模仿人类与软件交互方式的技术,用于执行大批量、可重复的任务,特别是财务、供应链之类的重复流程化业务。

你的IPhone上的快捷指令也是一种RPA,通过一系列指令的设置,实现自动化操作某个复杂任务。图片

RPA的一大特点是无代码或者低代码开发,RPA 能够复制人类执行基于计算机的流程的方式,你只需要在自动化软件上设置好流程和步骤,就可以实现复杂的操作。

最简单的 RPA 机器人是通过记录用户与应用程序交互时的点击和按键来创建的,比如刚说的手机上的快捷指令。

3、Python是否可以替代RPA呢?
并不能!!!

Python只是一种编程语言,你可以用它来编写一套RPA程序,但这个建立在你的Python能力非常NB的基础上,而且你要懂RPA涉及到的各种复杂的流程、技术和逻辑。

所以说RPA并不是Python,也不是编程,它是一套完整的自动化系统,涉及业务流程、接口协议、通信机制、ETL、数据库管理、数据建模、数据安全等等。

其中尤其要注意,设计一套RPA,对于业务流程需要很深的研究。

比如你想做个保单管理的RPA系统,首先你得要知道保单哪些环节可以通过RPA来提升效率,比如保单录入、更新、查询、续保、理赔等流程,这些流程涉及到用户的哪些数据、这些数据在哪些系统里等等,都需要很专业的保险行业知识。

所以单纯地以为学会Python,就不需要RPA,其实是不懂RPA。

当然你可以通过Python脚本开发一些简单的自动化工具,比如文档转换、网络爬虫、生成报表、图像处理等等,这些都可以通过相应的Python库很快地实现。

4、使用Python开发简单的自动化报表程序
下面举个例子:

你作为数据分析师,每周定期为公司基金销售数据制作报表 该报表包含以下内容:

绘制月度销售额趋势图
绘制基金产品销售额分布图
绘制未来6个月基金销售额预测趋势图
要求在excel中自动执行Python代码,每次更新数据只要点击xlwings插件执行即可。

xlwings是Python的第三方库,用来操作Excel,也有Excel的插件。

步骤如下:

「1. 在excel中调用Python脚本」

直接在命令行输入以下代码即可:

xlwings quickstart fund_sales

如果你想把文件创建到指定文件夹里,需要提前将命令行导航到指定目录。

创建好后,在fund_sales文件夹里会出现两个文件,.xlsm和.py文件。

图片
「2. 编写Python脚本」

打开.py文件里在main函数里面写python代码,功能是为公司基金销售数据制作报表。

(其他代码不用动)

代码见下方
「3. 代开xlsm文件,点击run main,就会直接运行python脚本,就会自动制作报表」

图片
代码如下:

import xlwings as xw
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams[“font.sans-serif”]=[“SimHei”] # 设置字体
plt.rcParams[“axes.unicode_minus”]=False # 该语句解决图像中的“-”负号的乱码问题

def main():
# 打开Excel文件
wb = xw.Book.caller()
sheet = wb.sheets[0]

# 读取基金销售数据
data = sheet.range('A1').options(expand='table').value
# 将数据转换为Pandas DataFrame
df = pd.DataFrame(data[1:], columns=data[0])
df['月'] = df['日期'].dt.month
df['年'] = df['日期'].dt.year# 绘制基金销售额月度趋势图
monthly_sales = df.groupby(['年', '月']).agg({'销售额': 'sum'}).reset_index()
monthly_sales['日期'] = pd.to_datetime(monthly_sales['年'].astype(str) + '-' + monthly_sales['月'].astype(str), format='%Y-%m')
monthly_sales = monthly_sales.sort_values('日期')
fig1, ax1 = plt.subplots()
sns.lineplot(x='日期', y='销售额', data=monthly_sales)
ax1.set(xlabel='日期', ylabel='销售额', title='基金销售额月度趋势图')
plt.xticks(rotation=45)
sheet.pictures.add(fig1, name='基金销售额月度趋势图', update=True, left=sheet.range('D2').left, top=sheet.range('D2').top)# 绘制基金产品销售额分布图
fund_sales = df.groupby('基金名称').agg({'销售额': 'sum'}).reset_index()
fig2, ax2 = plt.subplots()
sns.barplot(x='销售额', y='基金名称', data=fund_sales)
ax2.set(xlabel='销售额', ylabel='基金名称', title='基金产品销售额分布图')
sheet.pictures.add(fig2, name='基金产品销售额分布图', update=True, left=sheet.range('D20').left, top=sheet.range('D20').top)# 搭建线性回归模型,用于预测未来6个月的销售额
x = monthly_sales.index.values.reshape(-1, 1)
y = monthly_sales['销售额'].values
model = LinearRegression()
model.fit(x, y)
# 预测未来6个月销售额
future_months = 6
last_month = monthly_sales['日期'].max().to_period('M').to_timestamp().to_pydatetime()
next_months = pd.date_range(start=last_month, periods=future_months+1, freq='M')[1:]
next_months_index = np.arange(len(monthly_sales), len(monthly_sales)+future_months)
next_months_df = pd.DataFrame({'日期': next_months, '销售额': [np.nan]*future_months, '年': next_months.year, '月': next_months.month})
next_months_df['预测销售额'] = model.predict(next_months_index.reshape(-1, 1))
monthly_sales_pred = pd.concat([monthly_sales, next_months_df], ignore_index=True)# 绘制未来6个月基金销售额预测趋势图
fig3, ax3 = plt.subplots()
sns.lineplot(x='日期', y='销售额', data=monthly_sales_pred,label='销售额',)
sns.lineplot(x='日期', y='预测销售额', data=monthly_sales_pred,label='预测销售额')
ax3.set(xlabel='日期', ylabel='销售额', title='未来6个月基金销售额预测趋势图')
plt.xticks(rotation=45)
sheet.pictures.add(fig3, name='未来6个月基金销售额预测趋势图', update=True, left=sheet.range('D40').left, top=sheet.range('D40').top)

@xw.func
def hello(name):
return f"Hello {name}!"

if name == “main”:
xw.Book(“PythonExcelTest.xlsm”).set_mock_caller()
main()
这就使用Python创建了一个简单的RPA程序,用来自动化使用基金数据创建报表。

大家可以试试,RPA是一个很好玩的东西。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/746902.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【刷题训练】LeetCode125. 验证回文串

验证回文串 题目要求 示例 1: 输入: s “A man, a plan, a canal: Panama” 输出:true 解释:“amanaplanacanalpanama” 是回文串。 示例 2: 输入:s “race a car” 输出:false 解释:“rac…

C#常用数据操作方法详解

文章目录 C#常用数据操作方法详解字符大师:String类的使用艺术字符串截取:Substring示例寻找字符串:IndexOf示例字符串替换:Replace示例字符串分割:Split示例转小写:ToLower示例 数学机械师:Mat…

Java 设计模式系列:行为型-观察者模式

简介 观察者模式是一种行为型设计模式,又被称为发布-订阅(Publish/Subscribe)模式,它定义了对象之间的一对多依赖关系,当一个对象的状态发生改变时,所有依赖于它的对象都会得到通知并被自动更新。 观察者…

全面解析 Axios 请求库的基本使用方法

Axios 是一个流行的基于 Promise 的 HTTP 请求库,用于在浏览器和 Node.js 中进行 HTTP 请求。它提供了简单易用的 API,可以发送各种类型的请求(如 GET、POST、PUT、DELETE等),并处理响应数据,Axios 在前端工…

MySQL常见的数据类型

一、数值型 5 种整型 tinyint、smallint、mediumint、int 和 bigint,主要区别就是取值范围不同,还可以在类型前添加一个 限制词 unsigned,不允许添加负数。 3 种浮点型:不能精确存放 float 和 double,可以精确存放 de…

朋友,代码库的“健身方案”要不要了解一下?

你有没有想过,你的代码库可能正面临“健康危机”—— 代码臃肿、低效交付、BUG隐藏、潜藏的安全风险…… “健身达人”上线 如果你的开发、安全和运维团队像是三位“健身达人”,那么极狐GitLab的DevSecOps线上成熟度评估,就是他们的“健身教…

09、用数据变量等控制 vue 项目标签中 CSS 样式的五种方法

通过 vue 中的变量值控制标签/组件样式 Ⅰ、通过 Vue3 的数据变量来控制 h1 标签样式:1、代码为:2、截图为: Ⅱ、通过 vue3 的 computed 来控制 h1 标签样式:1、代码为:2、截图为: Ⅲ、通过 vue3 的 comput…

MySQL gh-ost DDL 变更工具

文章目录 1. MDL 锁介绍2. 变更工具3. gh-ost 原理解析4. 安装部署5. 操作演示5.1. 重点参数介绍5.2. 执行变更5.3. 动态控制 6. 风险提示 1. MDL 锁介绍 MySQL 的锁可以分为四类:MDL 锁、表锁、行锁、GAP 锁,其中除了 MDL 锁是在 Server 层加的之外&am…

SpringBoot vue轮胎批发系统

SpringBoot vue轮胎批发系统 系统功能 首页 图片轮播 轮胎商品 评论 公告信息 搜索 购物车 立即购买 客服中心 登录注册 个人中心 我的订单 我的地址 我的收藏 后台管理 登录 个人中心 用户管理 轮胎分类管理 轮胎商品管理 公告信息管理 客服中心管理 轮播图管理 订单管理 …

Linux--基本知识入门

一.几个基本知识 终端: CtrlAltT 或者桌面/文件夹右键,打开终端切换为管理员: sudo su 退出:exit查看内核版本号: uname -a内核版本号含义: 5 代表主版本号;13代表次版本号;0代表修订版本号;30代表修订版本的第几次微调;数字越大表示内核越新. 二.目录…

Canny详解

Canny 边缘检测是一种经典的图像处理技术,被广泛应用于计算机视觉和图像处理领域。它由 John F. Canny 在 1986 年提出,是一种多阶段的边缘检测算法,具有高精度和低错误率的特点。 Canny 边缘检测的步骤: 高斯滤波(Ga…

FreeRTOS学习第10篇--队列使用示例

FreeRTOS学习第10篇–队列使用示例 本文目标:FreeRTOS学习第10篇–队列使用示例 按照本文的描述,可以进行简单的使用队列。 本文实验条件:拥有C语言基础,装有编译和集成的开发环境,比如:Keil uVision5 …

【Java 并发】AbstractQueuedSynchronizer

1 AQS 简介 在同步组件的实现中, AQS 是核心部分, 同步组件的实现者通过使用 AQS 提供的模板方法实现同步组件语义。 AQS 则实现了对同步状态的管理, 以及对阻塞线程进行排队, 等待通知等一些底层的实现处理。 AQS 的核心也包括了这些方面: 同步队列, 独占式锁的获取和释放, 共…

手写vue将虚拟 Dom 转化为真实 Dom

vue将虚拟 Dom 转化为真实 Dom {tag: DIV,attrs:{id:app},children: [{tag: SPAN,children: [{ tag: A, children: [] }]},{tag: SPAN,children: [{ tag: A, children: [] },{ tag: A, children: [] }]}] }把上面虚拟Dom转化成下方真实Dom<div id"app"><sp…

做一个微信小程序需要什么条件?

在移动互联网时代&#xff0c;微信小程序已成为连接用户与服务的重要桥梁。它们无需下载安装&#xff0c;使用方便&#xff0c;功能强大&#xff0c;成为商家和开发者的新宠。如果你想要开发一个微信小程序&#xff0c;需要满足哪些条件&#xff1f; 一、开发小程序的基本条件…

Redis 持久化-RDB

RDB&#xff08;Redis DataBase&#xff09;&#xff0c;在指定的时间间隔内将内存中的数据集快照写入磁盘&#xff0c;也就是行话讲的Snapshot快照&#xff0c;它恢复时是将快照文件直接读到内存里。 Redis会单独创建&#xff08;fork&#xff09;一个子进程来进行持久化&…

用网格大师网络重划分时,坐标原点按照XML文件原点填写,导出的瓦块文件命名不对,坐标原点该怎么填写

瓦块名称和原来不一致的原因是瓦块原点这里设置的不对&#xff0c;要和重建设置的瓦块原点保持一致。 网格大师是一款能够解决实景三维模型空间参考、原点、瓦块大小不统一&#xff0c;重叠区域处理问题的工具“百宝箱”&#xff0c;集格式转换、坐标转换、轻量化、瓦片重划分…

ModStartBlog v9.1.0 桌面快捷应用,图片上传前端压缩

ModStart 是一个基于 Laravel 模块化极速开发框架。模块市场拥有丰富的功能应用&#xff0c;支持后台一键快速安装&#xff0c;让开发者能快的实现业务功能开发。 系统完全开源&#xff0c;基于 Apache 2.0 开源协议。 功能特性 丰富的模块市场&#xff0c;后台一键快速安装 …

跨境电商流通无阻:API接口在简化全球电商流程中的关键角色

在全球化的经济中&#xff0c;跨境电商已成为许多电商平台的重要增长点。然而&#xff0c;跨国交易涉及复杂的流程和合规性要求&#xff0c;这些都可能成为商家扩张全球市场的障碍。API&#xff08;应用程序编程接口&#xff09;在这里扮演了关键角色&#xff0c;它简化了全球电…

淘宝商品销量数据接口,淘宝API接口

淘宝商品销量数据接口是淘宝开放平台提供的一种API接口&#xff0c;通过该接口&#xff0c;商家可以获取到淘宝平台上的商品销量数据。 淘宝商品销量数据接口可以用于获取特定商品的销量数据、特定店铺的销量数据、特定类目的销量数据等。商家可以根据自己的需求来调用该接口&…