python数据分析近年比特币价格涨幅趋势分布

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 warningsimport warningswarnings.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\'] = 2plt.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         0Open         5High         5Low          5Close        5Adj Close    5Volume       5dtype: int64df.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 2590Data columns (total 7 columns):#   Column     Non-Null Count  Dtype---  ------     --------------  -----0   Date       2591 non-null   object1   Open       2586 non-null   float642   High       2586 non-null   float643   Low        2586 non-null   float644   Close      2586 non-null   float645   Adj Close  2586 non-null   float646   Volume     2586 non-null   float64dtypes: 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Pandaspipe详解
• 推荐一款高效的python数据框处理工具Sidetable