你是否思考过通过 Python 来揭开数字加密货币那神秘的面纱？实际上，利用 Python 是能够实现对加密货币进行有效分析的。接下来就让我们一起去看看具体的内容。

准备工作

当要在电脑上运行多个 Python 项目时，将不同项目的依赖包分开是很重要的，这样可以避免冲突。就如同我们在装修房子时，需要把不同功能的材料进行分类放置。在准备好环境之后，就能够开展后续的分析工作。之后，我们借助 Quandl 的免费比特币接口来获取比特币价格数据，这是进行分析的基础，就好像是建造大楼的基石一样。

数据保存

下载好比特币价格数据之后，我们利用 pickle 进行序列化操作，把数据保存成文件。这样做的益处在于，每当代码运行时，就无需再次下载相同的数据，能够节省大量的时间和资源。这就好像我们把常用的工具整理好并放置在固定的位置，下次使用时就能迅速找到。在保存好数据之后，后续的分析就能够更高效地开展。

数据验证

我们能够将生成的图表跟公开的比特币价格图表，例如 Coinbase 上的图表进行对比。这是一种快速的完整性核查方式，能够验证所下载的数据是否合理。倘若数据不合理，那么后续的分析就可能会产生偏差。在 2012 年到 2017 年这个时间段，比特币价格不会是零，所以我们可以首先把数据框里所有的零值去除掉，以此来保证数据的质量。

多渠道数据获取

因为存在数据缺失的情况，有可能是因为技术性断电或者数据差错所引起的。我们从三家主要的比特币交易所获取数据，接着计算出平均的比特币价格指数。各个交易所的数据会存在一定的差别，然而综合起来就能得到更为准确的结果。就如同我们综合多位专家的意见，便能够做出更明智的决策。

数据合并与可视化

我们拥有 9 个数据框字典，其中包含山寨币与比特币的历史日平均价格数据。可以通过查看 Ethereum 价格表格的最后几行来判定数据是否可用。接着，再次使用定义好的函数 merge_dfs_on_column，创建合并的数据框，将每种电子货币的美元价格进行整合，并且把比特币价格添加到最后一栏。最后，调用函数 df_scatter，以图表的形式展示所有山寨币的相应价格，使数据更加直观。

相关性分析

2017 年 8 月 22 日的修订说明中提到，在计算相关系数时，应使用每日回报率而非价格绝对值。因为基于非稳态时间序列进行计算会使相关性系数产生偏差，所以我们采用 pct_change()方法，将价格绝对值转化为日回报率。之前的分析表明，在 2016 年，不同数字加密货币的价格波动几乎没有统计上的显著相关性。为了验证电子货币近几个月相关性增强的假设，我们使用 2017 年开始的数据进行了重复测试。

以上是关于用 Python 来分析数字加密货币的大致流程。你是否有意愿亲自运用 Python 去对数字加密货币进行分析？可以在评论区把自己的想法分享出来，要是觉得这篇文章有用的话，可别忘了点赞和分享！