目录

• 使用技术点:
• 使用工具:
• 导入第三方库

大家好，我是辣条。

曾经有一个真挚的机会，摆在我面前，但是我没有珍惜，等到失去的时候才后悔莫及，尘世间最痛苦的事莫过于此，如果老天可以再给我一个再来一次机会的话，我会买下那个比特币，哪怕付出所有零花钱，如果非要在这个机会加上一个期限的话，我希望是十年前。

看着这份台词是不是很眼熟，我稍稍改了一下，曾经差一点点点就购买比特币了，肠子都悔青了现在，今天对比特币做一个简单的数据分析。

# 安装对应的第三方库
!pip install pandas  
!pip install numpy
!pip install seaborn
!pip install matplotlib
!pip install sklearn
!pip install tensorflow

使用技术点:

1. 数据处理 - pandas

2. 科学运算 - numpy

3. 数据可视化 - seaborn matplotlib

使用工具:

1. anaconda

2. notebook

3. python3.7版本

导入第三方库

#a|T + enter  notebook运行方式
import pandas as pd # 数据处理
import numpy as np # 科学运算
import seaborn as sns # 数据可视化
import matplotlib.pyplot as plt # 数据可视化
import warnings
import warnings
warnings.filterwarnings("ignore")

如遇到导包报错 可以看看是不是自己的第三方库的版本问题

# 设置图表与 线格式
plt.rcParams["figure.figsize"] = (10, 10)
plt.rcParams["lines.linewidth"] = 2
plt.style.use("ggplot")
# 读取数据集
df = pd.read_csv("./DOGE-USD.csv")
df.head() # 查看前5行

df.isnull().sum() # 统计缺失值的总和(sum())
Date         0
Open         5
High         5
Low          5
Close        5
Adj Close    5
Volume       5
dtype: int64
df.duplicated().sum() # 查看重复值
0
# 数据类型 分布基本情况
df.info()
<class "pandas.core.frame.DataFrame">
RangeIndex: 2591 entries, 0 to 2590
Data columns (total 7 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   Date       2591 non-null   object 
 1   Open       2586 non-null   float64
 2   High       2586 non-null   float64
 3   Low        2586 non-null   float64
 4   Close      2586 non-null   float64
 5   Adj Close  2586 non-null   float64
 6   Volume     2586 non-null   float64
dtypes: float64(6), object(1)
memory usage: 141.8+ KB
# 转换 Date的类型
df["Date"] = pd.to_datetime(df.Date, dayfirst=True)
# 索引重置 让Date时间格式成为 索引  inplace新建对象
df.set_index("Date", inplace=True)
df

2591 rows × 6 columns

df = df.asfreq("d") # 按照天数采集数据
df = df.fillna(method="bfill") # 缺失值填充 下一条数据填充
df

2591 rows × 6 columns

In [14]:

# 开盘价的分布情况
df["Open"].plot(figsize=(12, 8))

结论:从上图可以看出 BTB是在2021年份开始爆发式的增长 在2015 到 2021 一直都是没有较大波动

# 成交情况
df["Volume"].plot(figsize=(12, 8))

# 投资价值
df["Total Pos"] = df.sum(axis=1)
df["Total Pos"].plot(figsize=(10, 8))

结论:开盘价高 投资价值搞 比较合适做卖出操作 实现一夜暴富(开玩笑的)

# 当前元素与先前元素的相差百分比
df["Daily Reture"] = df["Total Pos"].pct_change(1)
# 日收益率的平均
df["Daily Reture"].mean()
df["Daily Reture"].plot(kind="kde")

SR = df["Daily Reture"].mean() / df["Daily Reture"].std()
all_plot = df/df.iloc[0]
all_plot.plot(figsize=(24, 16))

df.hist(bins=100, figsize=(12, 6))

# 按照年份进行采样
df.resample(rule="A").mean()

# 年平均收盘价
df["Open"].resample("A").mean().plot.bar(title="Yearly Mean Closing Price", color=["#b41f7d"])

# 月度
df["Open"].resample("M").mean().plot.bar(figsize=(18, 12), color="red")

# 分别获取对应时间窗口  6 12 2 均值
df["6-month-SMA"] = df["Open"].rolling(window=6).mean()
df["12-month-SMA"] = df["Open"].rolling(window=12).mean()
df["2-month-SMA"] = df["Open"].rolling(window=2).mean()
df.head(10)

进行可视化 查看对应分布情况

df[["Open", "6-month-SMA", "12-month-SMA", "2-month-SMA"]].plot(figsize=(24, 10))

df[["Open","6-month-SMA"]].plot(figsize=(18,10))

df[["Open","6-month-SMA"]].iloc[:100].plot(figsize=(12,6)).autoscale(axis="x",tight=True)

df["EWMA12"] = df["Open"].ewm(span=14,adjust=True).mean()
df[["Open","EWMA12"]].plot(figsize=(24,12))

df[["Open","EWMA12"]].iloc[:50].plot(figsize=(12,6)).autoscale(axis="x",tight=True)

以上就是python数据分析近年比特币价格涨幅趋势分布的详细内容，更多关于python数据分析比特币价格涨幅的资料请关注服务器之家其它相关文章！

原文链接：https://blog.csdn.net/AI19970205/article/details/121308638

本文链接：https://my.lmcjl.com/post/12409.html