df19.plot(x=”Timestamp”,y=”Weighted_Price”)运行以下代码将库导入剧本。假如没有呈现错误，则可以继承本教程的其余部门。
变动时间戳名目
raw_data.head()
df.reset_index(inplace=True, drop=True)
有了它，它是一个基本框架，可让您开始利用此比特币汗青数据集，以及可以在Python和pandas中完成的一些根基操纵。没有.head（）和.tail（）挪用的完整精简代码可以在下面找到。
raw_data = pd.read_csv(“bitstampUSD_1-min_data_2012-01-01_to_2020-04-22.csv”)
您大概看到’Timestamp’列的名目很奇怪，这实际上是UNIX时间名目，因此我们但愿将其转换为UTC时间。我们利用pd.to_datetime（）要领执行此操纵。我们将通报要对其执行此成果的数据的参数，即数据的“Timestamp”列，还将通报参数unit =’s’，该参数汇报函数输入的UNIX时间单元是秒。我们利用下面的代码行将此函数的输出生存到数据框中的“Timestamp”列。请留意，在pandas中引用列内的数据时，我们利用以下观念df [‘Timestamp’]。在方括号内通报的字符串是列的名称。
df19 = df[df[“year”] == 2019]
好吧，在这里，我展示了开始阐明比特币并将其转换成可用形式的Python代码。我会利用pandas库演示利用Python中有何等容易的一件事。
df[‘Timestamp’] = pd.to_datetime(df[‘Timestamp’], unit=’s’)
安装pandas library
· 建设新列
绘制数据以举办视觉查抄
df19.reset_index(inplace=True, drop=True)
df19.reset_index(inplace=True, drop=True)
在数据帧上运行.tail（）要领将显示最后5行，您可以看到这些行实际上已满。别的，请留意数据框索引列中该数据会合的行数（最左侧） 高出四百万！对付Excel来说太多了，可是Python和Pandas可以轻松地处理惩罚它。
df.head()
我将利用的数据来自Kaggle，它是世界上最大的数据科学社区，也是查找大量数据集的最佳场合之一。该特定命据集是2012/01/01–2020/04/22比特币的汗青分钟数据。
打开一个新剧本并生存它。第一个任务是测试pandas库是否安装正确。
假如没有呈现错误，则应正确安装库。我们顿时要做最后的测试。
所以此刻举办一些编码…
生存数据
df.plot(x=”Timestamp”,y=”Weighted_Price”)
此刻让我们想象一下，我们想为数据中的每一年建设数据框架。譬喻一个数据框df19包括了2019年以来的所有数据。一种要领是首先建设一个名为“ year”的列，个中包括每个数据点的year值。然后我们将建设一个新的数据框，个中仅包括“年”列便是2019的数据行。
此刻我们可以像绘制数据之前一样绘制图表，可是这次仅绘制2019年的数据。
df19.plot(x=”Timestamp”,y=”Weighted_Price”)
df[“year”] = pd.DatetimeIndex(df[“Timestamp”]).year
我们还通报了第二个参数drop = True。默认环境下，.reset_index（）要领将重置数据索引，但原始索引列将被复制到名为“ index”的新列中。我们没有用这个特另外列，因此我们将其删除。这也可以通过在数据帧上利用.drop（）要领并指定要删除的列名称来实现。
此刻您有了清洁的数据，也许您已经添加到数据中或成为了子集。凡是要生存此数据，这样就不必再次运行此代码。在数据帧上利用.to_csv（）要领很是容易。以下是我用于生存df19数据帧的代码，以便未来未来利便利用。通报给该要领的第一个参数是您但愿将其另存为的文件名，而index = False汇报Python不要将数据帧的索引生存到csv文件中凡是不需要的列中。
我们可以利用pandas中内置的一个名为.diff（）的要领来实现这一点。我们只需利用以下标记df[“Title of new column”]指定要建设的列，并将其配置为我们但愿通过.diff（）要领找到差此外列。
为此，我们将首先建设一个“year”列。我们将“Timestamp”列输入pd.DatetimeIndex类，并要求.year属性。这将返回我们每个Timestamp的年份值，并将此数据分派给一个新列，我们将其界说为“year”。
df[“closeDiff”] = df[“Close”].diff()
df[‘Timestamp’] = pd.to_datetime(df[‘Timestamp’], unit=’s’)
pip install pandas
df19.to_csv(‘btc19.csv’, index=False)
所以此刻我们要建设一个数据帧，个中删除了所有的NaN值。在pandas中，这很是简朴，我们只在数据帧上利用.dropna（）要领，并将其分派给我们称为df的新数据帧。这是包括所有有用数据的数据框，这些数据将在今后的阐明中利用。
因此此刻我们需要一个新的数据框df19，个中包括数据框df中的所有行，在“year”列中的值为2019。为此，我们编写以下代码行。这种暗示法大概会造成一些夹杂，可是在这里我们只是说，用数据框df得到所有行，个中“year”列便是2019，然后将其分派给名为df19的新数据框。
df.head()
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
