Python数据分析入门：比特币价格涨幅趋势分布

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

	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()

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 *** 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)

  👇🏻 疑难解答、学习资料、路线图可通过搜索下方 👇🏻