python数据分析近年比特币价格涨幅趋势分布

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

Date Open High Low Close Adj Close Volume 0 2014-09-17 0.000293 0.000299 0.000260 0.000268 0.000268 1463600.0 1 2014-09-18 0.000268 0.000325 0.000267 0.000298 0.000298 2215910.0 2 2014-09-19 0.000298 0.000307 0.000275 0.000277 0.000277 883563.0 3 2014-09-20 0.000276 0.000310 0.000267 0.000292 0.000292 993004.0 4 2014-09-21 0.000293 0.000299 0.000284 0.000288 0.000288 539140.0

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

Open High Low Close Adj Close Volume Date 2014-09-17 0.000293 0.000299 0.000260 0.000268 0.000268 1.463600e+06 2014-09-18 0.000268 0.000325 0.000267 0.000298 0.000298 2.215910e+06 2014-09-19 0.000298 0.000307 0.000275 0.000277 0.000277 8.835630e+05 2014-09-20 0.000276 0.000310 0.000267 0.000292 0.000292 9.930040e+05 2014-09-21 0.000293 0.000299 0.000284 0.000288 0.000288 5.391400e+05 ... ... ... ... ... ... ... 2021-10-16 0.233881 0.244447 0.233683 0.237292 0.237292 1.541851e+09 2021-10-17 0.237193 0.241973 0.226380 0.237898 0.237898 1.397143e+09 2021-10-18 0.237806 0.271394 0.237488 0.247281 0.247281 5.003366e+09 2021-10-19 NaN NaN NaN NaN NaN NaN 2021-10-20 0.245199 0.246838 0.242384 0.246078 0.246078 1.187871e+09

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

Open High Low Close Adj Close Volume Date 2014-09-17 0.000293 0.000299 0.000260 0.000268 0.000268 1.463600e+06 2014-09-18 0.000268 0.000325 0.000267 0.000298 0.000298 2.215910e+06 2014-09-19 0.000298 0.000307 0.000275 0.000277 0.000277 8.835630e+05 2014-09-20 0.000276 0.000310 0.000267 0.000292 0.000292 9.930040e+05 2014-09-21 0.000293 0.000299 0.000284 0.000288 0.000288 5.391400e+05 ... ... ... ... ... ... ... 2021-10-16 0.233881 0.244447 0.233683 0.237292 0.237292 1.541851e+09 2021-10-17 0.237193 0.241973 0.226380 0.237898 0.237898 1.397143e+09 2021-10-18 0.237806 0.271394 0.237488 0.247281 0.247281 5.003366e+09 2021-10-19 0.245199 0.246838 0.242384 0.246078 0.246078 1.187871e+09 2021-10-20 0.245199 0.246838 0.242384 0.246078 0.246078 1.187871e+09

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()

Open High Low Close Adj Close Volume Total Pos Daily Reture Date 2014-12-31 0.000249 0.000259 0.000240 0.000248 0.000248 8.059213e+05 8.059213e+05 1.028630 2015-12-31 0.000143 0.000147 0.000139 0.000143 0.000143 1.685476e+05 1.685476e+05 0.139461 2016-12-31 0.000235 0.000242 0.000229 0.000235 0.000235 2.564834e+05 2.564834e+05 0.259038 2017-12-31 0.001576 0.001708 0.001468 0.001601 0.001601 1.118996e+07 1.118996e+07 0.225833 2018-12-31 0.004368 0.004577 0.004125 0.004350 0.004350 2.172325e+07 2.172325e+07 0.109586 2019-12-31 0.002564 0.002631 0.002499 0.002563 0.002563 4.463969e+07 4.463969e+07 0.027981 2020-12-31 0.002736 0.002822 0.002660 0.002744 0.002744 1.290465e+08 1.290465e+08 0.052314 2021-12-31 0.200410 0.215775 0.185770 0.201272 0.201272 4.620961e+09 4.620961e+09 0.260782

# 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)

Open High Low Close Adj Close Volume Total Pos Daily Reture 6-month-SMA 12-month-SMA 2-month-SMA Date 2014-09-17 0.000293 0.000299 0.000260 0.000268 0.000268 1463600.0 1.463600e+06 NaN NaN NaN NaN 2014-09-18 0.000268 0.000325 0.000267 0.000298 0.000298 2215910.0 2.215910e+06 0.514013 NaN NaN 0.000281 2014-09-19 0.000298 0.000307 0.000275 0.000277 0.000277 883563.0 8.835630e+05 -0.601264 NaN NaN 0.000283 2014-09-20 0.000276 0.000310 0.000267 0.000292 0.000292 993004.0 9.930040e+05 0.123863 NaN NaN 0.000287 2014-09-21 0.000293 0.000299 0.000284 0.000288 0.000288 539140.0 5.391400e+05 -0.457062 NaN NaN 0.000285 2014-09-22 0.000288 0.000301 0.000285 0.000298 0.000298 620222.0 6.202220e+05 0.150391 0.000286 NaN 0.000291 2014-09-23 0.000298 0.000318 0.000295 0.000313 0.000313 739197.0 7.391970e+05 0.191826 0.000287 NaN 0.000293 2014-09-24 0.000314 0.000353 0.000310 0.000348 0.000348 1277840.0 1.277840e+06 0.728687 0.000295 NaN 0.000306 2014-09-25 0.000347 0.000383 0.000332 0.000375 0.000375 2393610.0 2.393610e+06 0.873169 0.000303 NaN 0.000331 2014-09-26 0.000374 0.000467 0.000373 0.000451 0.000451 4722610.0 4.722610e+06 0.973007 0.000319 NaN 0.000361

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脚本之家其它相关文章！

您可能感兴趣的文章: pyhton学习与数据挖掘self原理及应用分析 python数据挖掘使用Evidently创建机器学习模型仪表板 python学习与数据挖掘应知应会的十大终端命令 python使用dabl几行代码实现数据处理分析及ML自动化 python优化数据预处理方法Pandas pipe详解推荐一款高效的python数据框处理工具Sidetable

JAVA c c++go swift javascript Nginx UI/UE 小程序 Python C#php asp

目录

使用技术点:

使用工具:

导入第三方库

相关推荐