Python数据分析入门：比特币价格涨幅趋势分布(1)

!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’)

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

且后续会持续更新**

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）
[外链图片转存中…(img-XB2AMK2R-1711951095475)]

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习