论文笔记|Time Series Forecasting of Bitcoin Prices using LSTM and RNN with Particle Swarm Optimization a

探索性数据分析EDA

1. Data Understanding

·统计数据集中行和列的数量。

·检查每个列的数据类型。

·计算每个列中缺失值的总数。

·确定分类列中的唯一值。

·计算数值列的平均值，最小值和最大值。

·确定数值列的范围(最小值与最大值之差)。

·找到分类列中最频繁的值。

·检查数据集中的重复行。

·计算数值列之间的相关性。

·找出比特币价格最高的前N行。

·计算每年的比特币平均价格。

·确定数据集中唯一日期的个数。

·将数据按月分组，计算每个月的比特币平均价格。

·找出每天价格变化最大的前N行。

·确定数据集中最早和最晚的日期。

·分别计算工作日和周末的比特币平均价格。

·将数据按年分组，计算每年的总交易量。

·计算一周(周一至周日)的每一天的比特币平均价格。

2. Data Visualization

·折线图：比特币价格随时间的变化

·条形图：比特币日交易量

·方框图：比特币价格按年分布

·散点图：比特币价格与交易量的关系

·核密度图：比特币价格的核密度估计

·方框图：比特币价格按月分布

·直方图：比特币价格按年分布

·折线图：比特币价格移动平均

·热力图：数值变量的相关矩阵

·饼状图：比特币价格类别的分布

3. Data Pre-processing

·检查缺失值

·将"日期"列转换为"日期时间"

·从"日期"列中提取年份、月份和日期

·检查重复行

·检查"close"列中的异常值

·删除异常值

·使用Min - Max缩放对"close"列进行归一化处理

4. Feature Engineering

·使用pct _ change ( )函数计算比特币价格的日百分比变化；

·使用窗口大小为7的roll ( )函数计算比特币价格的7天滚动均值；

·使用跨度为30的ewm ( )函数估计比特币价格的指数移动平均值( EMA )；

·使用shift ( )函数将比特币价格移动1天和7天来创建滞后变量；

·使用dropna ( )函数去除特征工程后的缺失值行。

5. FEATURE SELECTION

使用