[人工智能]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

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)

??👇🏻?疑难解答、学习资料、路线图可通过搜索下方?👇🏻