2017年底比特币的市值达到了2000亿美元。随着比特币的大热，类似的基于区块链技术的各种各样的某某币大量涌现，它们统称为加密货币。本文将使用Python编程语言带你探索加密货币市场的数据，从而对这一新兴市场有一初步了解。
警告：本文的目的是示范如何用Python分析数据，而非投资建议。投资加密货币需谨慎，因为风险非常大。
按惯例，在做具体分析之前，我们都需要导入相关的工具包并做一些设置。
# 导入 pandas 数据分析包
import pandas as pd
# 导入 matplotlib 绘图包，并进行设置
import matplotlib.pyplot as plt
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.style.use('fivethirtyeight')
获取加密货币数据
所谓巧妇难为无米之炊，当我们谈到数据分析，首先得有数据才行。CoinMarketCap 网站提供了加密货币市场的实时数据，其API接口返回 json 格式的数据，可使用 pandas.read_json() 函数来获取数据，如下所示：
current = pd.read_json("https://api.coinmarketcap.com/v1/ticker/")
得到数据框（DataFrame）格式的数据，我们来查看前几行，以便对数据有个大概的认识。
current.head()
以上API获取的数据是实时变动的，为了使本文的分析可重复，让我们从特定的CSV文件中读取数据。
我已将数据上传到github中以供大家下载，点我哦！下载后请将csv数据文件和代码文件放在同一目录下，方便读取。
# 读取csv文件
dec6 = pd.read_csv("coinmarketcap_06122017.csv")
建立一个新的数据框变量 market_cap_raw，用于存储 id 和 market_cap_usd 这两列数据，它们分别代表加密货币名称和对应的市值。
market_cap_raw = dec6[['id', 'market_cap_usd']]
计算 id 和 market_cap_usd 这两列中数值的个数。
market_cap_raw.count()
id 1326
market_cap_usd 1031
dtype: int64
为什么这两列的计数不一样呢？因为 market_cap_usd 这一列中有些值是缺失的，即有些加密货币的市值是未知的。在本文的分析中我们忽略掉这些未知市值的货币。
# 将市值大于0的数据过滤出来
cap = market_cap_raw.query('market_cap_usd > 0')
# 重新计数
cap.count()
id 1031
market_cap_usd 1031
dtype: int64
市值 TOP10 货币的比较
尽管比特币受到其他加密货币的挑战，但其市值仍然处于领先地位。为了直观地看到这一点，让我们来绘制市值前十位货币的条形图。
# 将货币名id列设为索引，并按市值market_cap_usd列进行降序排列，选取前10行数据
cap10 = cap.set_index('id') \
.sort_values(by='market_cap_usd', ascending=False)[:10]
# 新增一列 market_cap_perc，是该货币市值占总市值的百分比
cap10 = cap10.assign(market_cap_perc =
lambda x: x.market_cap_usd / cap.market_cap_usd.sum() * 100)
# 绘制前10位市值的占比
ax = cap10.plot.bar(y='market_cap_perc', title='市值 TOP10')
# 设置y轴标签
_ = ax.set_ylabel('占总市值的百分数 (%)')
从图中我们发现，比特币占了所有加密货币市值的一半以上。这幅图还可以进一步优化。由于比特币市值远大于其他货币，导致其他货币在柱状图中被压缩的很小以致难以看清，对此我们可以采用对数坐标。并且上图的颜色过于杂乱，我们来重新设置条形图的颜色，把类似的货币设置成相同颜色。
# 设置条形图对应的颜色列表
COLORS = ['orange', 'green', 'orange', 'cyan', 'cyan', 'blue', 'silver', 'orange', 'red', 'green']
# 绘制市值的条形图，并使用对数坐标
ax = cap10.plot.bar(y="market_cap_usd", logy=True, color=COLORS, title='市值 TOP10')
# 设置y轴标签为'美元'
_ = ax.set_ylabel('美元')
# 删去没有信息含量的x轴标签"id"
_ = ax.set_xlabel('')
此时各货币在条形图中的显示更清晰了，但是要特别注意y轴的坐标，否则很容易对数据造成误解。
巨大的波动性
自首次交易以来，加密货币市场的波动性一直很大。现在让我们通过货币价格24小时的变化率 percent_change_24h 和7天的变化率 percent_change_7d 来观察这一现象。
先来查看24小时价格跌幅前5的货币。
# 选择id, percent_change_24h 和 percent_change_7d 这三列数据，存储到新的DataFrame中
volatility = dec6[['id', 'percent_change_24h', 'percent_change_7d']]
# 设置 'id' 为索引并删去缺失值
volatility = volatility.set_index('id').dropna()
# 按'percent_change_24h'升序排列数据
volatility = volatility.sort_values(by='percent_change_24h', ascending=True)
# 查看前5列
volatility.head()
你投入的钱可能很快蒸发掉，也可能瞬间翻倍，这是一个疯狂的市场。通过绘制24小时内货币跌幅和涨幅前十的条形图，我们可以更直观地看到这一现象。
#定义绘图函数，有两个参数：排序好的数据和图片标题
def top10_subplot(volatility_series, title):
# 设置图片大小和两个子图
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 6))
# 绘制跌幅前十的条形图
ax = volatility_series[:10].plot.bar(color='darkred', ax=axes[0])
# 设置y轴标签
ax.set_ylabel('变化率（%）')
# 绘制涨幅前十的条形图
ax = volatility_series[-10:].plot.bar(color='darkblue', ax=axes[1])
# 设置图片标题
fig.suptitle(title)
# 返回值
return fig, ax
# 设置24小时变化图的标题
DTITLE = "24小时涨跌幅前十的货币"
# 调用绘图函数，绘制24小时变化率的条形图
fig, ax = top10_subplot(volatility.percent_change_24h, DTITLE)
加密货币 fedoracoin 在24小时内涨了8倍多，这也够疯狂的。是不是很心动？不过千万要保持冷静的头脑，让我们继续用类似的方法来绘制7天涨跌幅前十的货币。
# 按'percent_change_7d'升序排列数据
volatility7d = volatility.sort_values(by='percent_change_7d', ascending=True)
# 设置7天变化图的标题
WTITLE = "Weekly top losers and winners"
# 调用绘图函数，绘制7天变化率的条形图
fig, ax = top10_subplot(volatility7d.percent_change_7d, WTITLE)
千万要 Hold 住啊，巨大的风险让你既有可能一夜暴富也有可能血本无归。
加密货币的市值分布
像股票这类金融产品，其市值越小，风险和回报也越大。加密货币也类似，市值较小的货币相较于市值大的货币，更不稳定风险也更高。我们先来查看市值大于100亿的货币都有哪些。
# 选择市值大于100亿的数据
largecaps = cap.query('market_cap_usd > 10000000000')
# 输出
print(largecaps)
id market_cap_usd
0 bitcoin 2.130493e+11
1 ethereum 4.352945e+10
2 bitcoin-cash 2.529585e+10
3 iota 1.475225e+10
为了进一步分析加密货币市场中市值的分布情况，我们大致将货币市值分为三类：
- 大：市值大于等于3亿
- 中：市值大于等于5000万，小于3亿
- 小：市值小于5000万
然后我们绘制这三个区间中货币数目的条形图。
# 定义函数计算特定市值区间内货币的数目
def capcount(query_string):
return cap.query(query_string).count().id
# 图片标签
LABELS = ["大", "中", "小"]
# 计算大市值货币数
biggish = capcount('market_cap_usd >= 300000000')
# 计算中市值货币数
micro = capcount('market_cap_usd >= 50000000 & market_cap_usd < 300000000')
# 计算小市值货币数
nano = capcount('market_cap_usd < 50000000')
# 创建包含三种规模市值货币数的列表
values = [biggish, micro, nano]
# 绘制条形图
_ = plt.bar(range(len(values)), values, tick_label=LABELS)
可见，绝大部分加密货币的市值都比较小，风险很高。
小结
通过对加密货币市场数据的分析，我们得出三个结论：
- 比特币市值占加密货币市场的大头，超过一半。
- 加密货币市场中绝大部分货币的市值都比较小，风险高。
- 加密货币价格的波动性很大，投资需谨慎。
注：本文基于 DataCamp 项目 Exploring the Bitcoin cryptocurrency market 撰写而成。
网友评论