tech

用Python分析Dogecoin

为了更多地了解狗狗币意外爆发的理由，我对狗狗币和其他加密货币进行了一些检查。我们将使用 python 非常详细地分析加密货币。

一键发币： SUI | SOL | BNB | ETH | BASE | ARB | OP | POLYGON | AVAX | FTM | OK

最近，狗狗币如雨后春笋般出现在新闻中的任何地方。因此，我需要考虑这种最近流行的数字货币，以及它如何与其他加密货币（如比特币、以太坊等）形成独特的结构。

为了更多地了解狗狗币意外爆发的理由，我对狗狗币和其他加密货币进行了一些检查。

在调查狗狗币时，我发现它是一种模因币，它不稳定，并且因无意义而心烦意乱。虽然比特币和以太坊是两种完全不同的加密货币，但货币是为了解释而制作的，并且比狗狗币更受欢迎。

实际上，就像必须有2100万个比特币一样。狗狗币每天每时每刻都会增加 10000 个狗狗币，没有限制，没有短缺。如果没有短缺，成本会随着个人停止购买而下降，成本下降和增加的因素还有很多，但我不会绕到那里。在探索狗狗币时，我发现实际上像狗狗币一样，还有更多的模因币。

在这篇文章中，我没有推进任何数字货币，也没有提升你将资源投入到任何数字货币中。这篇文章是为了让个人注意这种加密货币。

我们将使用 python 及其库非常详细地分析加密货币

1、问题陈述

该数据集包括按市值计算的部分数字货币的记录价值数据。该数据集包含来自随附分类的数字货币的一部分。

模因加密货币：Doge、Shibu Inu、elongate 等硬币，它们源自模因或只是为了好玩。
便士加密货币：价格低于 1 便士美元的硬币被称为便士硬币。
死加密货币：市值为 0 的硬币据说是死加密货币
著名和最大的加密货币：比特币、以太坊等价格非常高、市值很大的硬币列在此类别下方。

数据集的特征：

日期：观察日期
开盘价：给定日期的开盘价
最高价：给定日期的最高价格
最低价：给定日期的最低价格
收盘价：给定日期的收盘价
交易量：给定日期的交易量
市值：市值（美元）

历史数据从2013年4月28日开始提供。

2、导入库

在本节中，我们将导入进一步分析所需的所有必需库。我们将使用Pandas、NumPy、matplotlib、seaborn 和 plotly。

3、数据导入

在本节中，我们将导入数据集以进行进一步分析。我们将使用 pandas _csv() 函数读取 CSV 文件。数据存储在 Pandas 数据框中。我们将分别读取比特币、狗狗币等不同加密货币的数据集。

3.1 比特币数据

我们使用 pandas _csv() 函数读取 CSV 文件，从而读取比特币数据。将 parse_dates 设置为 Date，将 index_col 设置为 Date。读取数据后，使用Pandas的 tail()函数获取数据集的最后 5 行。

btc=pd.read_csv('meme-cryptocurrency-historical-data/Bitcoin.csv',parse_dates=['Date'],index_col='Date', date_parser=dateparse)
btc = btc.iloc[::-1]
btc.tail(5)

下表显示了上述命令的输出。该表由不同的列组成，例如开盘价、最高价、最低价、收盘价、成交量和市值。所有这些值都按时间显示，即日期。

要获取数据集中比特币的最高值，请使用以下命令。2021-04-13 的最高值为 63503.4593。

axValue=btc[btc['Close']==max(btc.Close)]
print("Highiest value of bitcoin")
maxValue

btc.describe()

btc.info()

3.2 DogeCoin 数据

我们使用 pandas _csv() 函数读取 CSV 文件，从而读取 DogeCoin 数据。将 parese_dates 设置为 Date，将 insex_col 设置为 Date。读取数据后，使用Pandas 的 tail() 函数获取数据集的最后 5 行。

doge=pd.read_csv('meme-cryptocurrency-historical-data/Meme Coin/Dogecoin.csv',parse_dates=['Date'],index_col='Date', date_parser=dateparse)
doge = doge.iloc[::-1]
doge.tail(5)

下表显示了上述命令的输出。该表由不同的列组成，例如开盘价、最高价、最低价、收盘价、成交量和市值。所有这些值都显示为时间，即日期。

要获取数据集中狗狗币的最高值，请使用以下命令。2021-05-07 的最高值为 0.684777。

maxValue=doge[doge['Close']==max(doge.Close)]
print("Highiest value of Dogecoin")
maxValue

3.3 Bitconnect 数据

我们使用 pandas _csv() 函数读取 CSV 文件，从而读取 Bitconnect 数据。将 parese_dates 设置为 Date，将 insex_col 设置为 Date。读取数据后，使用 Pandas tail() 函数获取数据集的最后 5 行。

bit=pd.read_csv('meme-cryptocurrency-historical-data/Dead Coin/bitconnect.csv',parse_dates=['Date'],index_col='Date', date_parser=dateparse)
bit=bit.iloc[:,1:7]
bit = bit.iloc[::-1]
bit=bit.iloc[:1580]
bit18=bit[:609]
bit.tail(5)

下表显示了上述命令的输出。该表由不同的列组成，例如开盘价、最高价、最低价、收盘价、成交量和市值。所有这些值都显示为时间，即日期。

要获取数据集中Bitconnect的最高值，请使用以下命令。2017-12-31 的最高值为 463.31

axValue=bit[bit['Close']==max(bit.Close)]
print("Highiest value of Bitconnect")
maxValue

3.4 以太坊数据

我们使用 pandas _csv() 函数读取 CSV 文件，从而读取以太坊数据。将 parese_dates 设置为 Date，将 insex_col 设置为 Date。读取数据后，使用 Pandas tail() 函数获取数据集的最后 5 行。

eth=pd.read_csv('meme-cryptocurrency-historical-data/Ethereum.csv',parse_dates=['Date'],index_col='Date', date_parser=dateparse)
eth = eth.iloc[::-1]
eth.tail(5)

下表显示了上述命令的输出。该表由不同的列组成，例如开盘价、最高价、最低价、收盘价、成交量和市值。所有这些值都显示为时间，即日期。

要获取数据集中比特币的最高值，请使用以下命令。2021-05-11 的最高值为 4168.70

maxValue=eth[eth['Close']==max(eth.Close)]
print("Highiest value of Ethereum")
maxValue

4、数据可视化

在本节中，我们将使用 matplotlib、seaborn 和 plotly 绘制一些重要的视觉效果，以从数据中获得一些有用的见解。我们将比较不同加密货币价格逐年的变化、交易量比较、价格百分比变化等等。所以，让我们立即开始吧。

4.1 2018 年与 2020 年的加密货币价格

在本部分中，我们将使用 seaborn 库绘制线图，以比较 2018 年与 2020 年不同加密货币的收盘价。

我们将绘制比特币、以太坊和 BitConnect 的线图，并比较它们在 2018 年和 2020 年的价值。对于线图，我们需要传递数据、x 轴值和 y 轴值。查看以下代码以获取有关如何绘制逐年收盘价线图的更多信息。

def to2018(df):
	df18=equalize(df,bit)
    return df18.iloc[:len(bit18)]
def equalize(df,dfs):
    low=len(dfs)
    high=len(df)
    dff=high-low
    return df.iloc[dff:]

btc18=to2018(btc)
eth18=to2018(eth)
crypto=["Bitcoin 2018","Bitcoin","Ethereum 2018","Ethereum","Bitconnect 2018","Dogecoin"]
cryptoDf=[btc18,btc,eth18,eth,bit18,doge]
num_plots = 6
total_cols = 2
total_rows = 3
fig, axs = plt.subplots(nrows=total_rows, ncols=total_cols,
                        figsize=(14*total_cols, 7*total_rows), constrained_layout=True)
for i, var in enumerate(crypto):
    row = i//total_cols
    pos = i % total_cols
    sns.set_context('paper', font_scale = 2)
    plot =  sns.lineplot(data=cryptoDf[i], x="Date", y="Close",color='#732C2C',palette ='coolwarm',ax=axs[row][pos])
    axs[row][pos].set_title(crypto[i])

观察如下：

我们可以看到 2018 年所有加密货币都出现了明显的飙升
2018 年之后，价格开始下跌
所有加密货币的飙升性质都相同
Bitconnect 肯定下跌，之后停止上涨。
虽然比特币和以太坊都持续上涨，但影响仍然很明显

4.2 2018 年与 2020 年加密货币交易量

在本部分中，我们将使用 seaborn 库绘制线图，以比较 2018 年与 2020 年不同加密货币的交易量。交易量是交易期间交易的代币数量（买入或卖出）。

我们将绘制比特币、以太坊和 BitConnect 的线图，并比较它们在 2018 年与 2020 年的交易量。对于线图，我们需要传递数据、x 轴值和 y 轴值。查看以下代码以获取有关如何绘制逐年交易量线图的更多信息。

fig, axs = plt.subplots(nrows=total_rows, ncols=total_cols,
                        figsize=(14*total_cols, 7*total_rows), constrained_layout=True)
for i, var in enumerate(crypto):
row = i//total_cols
pos = i % total_cols
sns.set_context('paper', font_scale = 2)
plot =  sns.lineplot(data=cryptoDf[i], x="Date", y="Volume",color='#732C2C',palette ='coolwarm',ax=axs[row][pos])
axs[row][pos].set_title(crypto[i])

观察如下：

Bitconnect 的价格取决于代币的数量。
在 Bitconnect 线图中，每次交易量的激增都表明价格上涨
此外，当 bitconnect 的交易量大幅飙升时，我们可以说，随着价格开始在加密货币市场下跌，人们开始越来越多地抛售，这导致交易量大幅飙升，而由于Bitconnect 如此依赖交易量，它崩溃了。
比特币和以太坊能够支撑这种价格下跌，因为它们还受到上述主要部分中看到的其他因素的影响。

4.3 回报：价格百分比变化

在本部分中，我们将使用 seaborn 库绘制线图，以比较 2018 年和 2020 年不同加密货币的回报。加密货币的回报是价格的百分比变化。我们将绘制比特币、以太坊和 BitConnect 的线图，并比较它们在 2018 年和 2020 年的交易量。对于线图，我们需要传递数据、x 轴值和 y 轴值。查看以下代码以获取有关如何绘制逐年回报线图的更多信息。

df in cryptoDf:
df['Daily Return'] = df['Close'].pct_change()
fig, axs = plt.subplots(nrows=total_rows, ncols=total_cols,
                        figsize=(14*total_cols, 7*total_rows), constrained_layout=True)
for i, var in enumerate(crypto):
row = i//total_cols
pos = i % total_cols
cryptoDf[i]['Daily Return'].plot(ax=axs[row][pos], legend=True,color='#732C2C', linestyle='--', marker='.')
axs[row][pos].set_title(crypto[i])

fig, axs = plt.subplots(nrows=total_rows, ncols=total_cols,
                        figsize=(8*total_cols, 5*total_rows))
for i, var in enumerate(crypto):
row = i//total_cols
pos = i % total_cols
plot =sns.distplot(cryptoDf[i]['Daily Return'], bins=100, color='#732C2C',ax=axs[row][pos])
axs[row][pos].set_title(crypto[i])
plt.ylabel('Daily Return')
plt.tight_layout()