Python+AI提示词比特币数据预测：Logistic逻辑回归、SVC及XGB特征工程优化实践

原文链接：tecdat.cn/?p=41598

在当今数据驱动的时代，数据科学家肩负着通过数据分析和建模为各行业提供有价值洞察的重任。我们曾协助客户完成了一项关于金融市场数据预测的咨询项目，旨在通过对金融市场数据的深入分析，建立有效的预测模型，为投资决策等提供支持**（** 点击文末"阅读原文"获取完整代码、数据、文档******** ）。

在这个项目中，我们主要聚焦于某一金融产品（如虚拟货币）的价格数据进行研究。通过一系列的数据处理、特征工程以及机器学习模型的应用，对该金融产品的价格走势进行预测分析。我们运用了Python编程语言，借助numpy、pandas、matplotlib、seaborn等强大的库进行数据处理和可视化，使用sklearn库中的多种机器学习算法进行模型训练和评估。

在整个项目过程中，我们经历了数据读取、数据探索性分析、特征工程、模型训练和评估等多个环节。经过一系列的操作和分析，我们得到了一些有意义的结果。当然，项目也存在一定的局限性，例如模型的预测准确率有待提高等。

专题项目文件已分享在交流社群，阅读原文进群和500+行业人士共同交流和成长。我们希望通过这篇文章，能够将我们在项目中的经验和方法分享给更多的人，共同推动数据科学在金融领域的应用和发展。

数据读取与初步探索

在开始项目时，我们首先需要获取数据。我们的AI提示词为："使用pandas库读取指定路径下名为'coinn.csv'的CSV格式数据文件，并使用head函数查看数据的前几行，以了解数据的基本结构。"

go 复制代码

i
代码解读
复制代码
warnings.filterwarnings('ignore')
data_df = pd.read_csv('/oin.csv')
data_df.head()

通过执行上述代码，我们成功读取了数据，并查看了数据的前几行，对数据的列名和数据类型有了初步的了解。

接下来，我们使用describe函数来获取数据的统计摘要信息。AI提示词为："使用pandas的describe函数对已读取的数据data_df进行统计描述，了解数据的基本统计特征，如均值、标准差、最小值、最大值等。"

go 复制代码

s
代码解读
复制代码
data_df.describe()

这些统计信息可以帮助我们了解数据的分布情况，为后续的分析提供基础。

此时，展示读取数据的前几行对应的图片：

展示数据统计摘要信息对应的图片：

数据可视化分析

为了更直观地了解数据，我们进行了一系列的数据可视化操作。

首先，我们绘制了该金融产品收盘价的折线图。

AI提示词为："使用matplotlib库绘制data_df中'Close'列数据的折线图，设置图形大小为宽15、高5，添加标题'Bitcoin Close price.'，字体大小为15，添加纵轴标签'Price in dollars.'，并显示图形。"

go 复制代码

ini
代码解读
复制代码
plt.figure(figsize=(15, 5))

通过折线图，我们可以大致观察到收盘价的变化趋势。

展示收盘价折线图对应的图片：

然后，我们对一些重要特征进行了分布可视化。

点击标题查阅往期内容

Python用GRU神经网络模型预测比特币价格时间序列数据2案例可视化|附代码数据

左右滑动查看更多

AI提示词为："定义特征列表features为['Open', 'High', 'Low', 'Close']，使用matplotlib和seaborn库，在一个2行2列的子图中，分别绘制每个特征的分布密度图，设置图形大小为宽20、高10，并显示图形。"

go 复制代码

代码解读
复制代码
for i, col in enumerate(features):
 plt.subplot(2,2,i+1)
 sb.distplot(data_df[col])
 plt.show()

这些分布图让我们对每个特征的数据分布有了更清晰的认识。

展示特征分布密度图对应的4张图片：

我们还绘制了箱线图来观察数据的离散程度。AI提示词为："使用matplotlib和seaborn库，在一个2行2列的子图中，分别绘制features中每个特征的箱线图，设置图形大小为宽20、高10，并显示图形。"

箱线图可以帮助我们发现数据中的异常值和数据的分布范围。

展示特征箱线图对应的4张图片：

特征工程

在数据探索之后，我们进行了特征工程操作，以提取更有价值的特征。

我们将日期列进行了处理，提取出年、月、日信息。AI提示词为："将data_df中的'Date'列转换为日期时间类型，格式为'%Y-%m-%d %H:%M:%S'，然后分别提取出年、月、日信息，新增'year''month''day'列存储相应信息。"

接着，我们根据月份信息创建了一个新的特征，判断是否为季度末。AI提示词为："根据data_df中的'month'列信息，使用numpy的where函数创建一个新的列'is_quarter_end'，如果月份能被3整除，则该列值为1，否则为0。"

go 复制代码

代码解读
复制代码
data_df['is_quarter_end'] = np.where(data_df['month']%3==0,1,0)
data_df.head()

展示新增'is_quarter_end'列后的数据前几行对应的图片：

我们还创建了一些与价格波动相关的特征，并定义了目标变量。AI提示词为："创建新的列'open-close'，其值为'Open'列与'Close'列的差值；创建新的列'low-high'，其值为'Low'列与'High'列的差值；根据'Close'列的下一行值与当前行值的比较，创建目标变量'target'，如果下一行的'Close'值大于当前行的'Close'值，则'target'为1，否则为0。"

模型训练与评估

在特征工程完成后，我们选择了一些机器学习模型进行训练和评估。

我们首先对数据进行了标准化处理，并划分了训练集和验证集。AI提示词为："选择data_df中的'open-close''low-high''is_quarter_end'列作为特征数据features，'target'列作为目标数据target；使用StandardScaler对特征数据进行标准化处理；使用train_test_split函数将数据划分为训练集和验证集，测试集大小为0.1，随机种子为2022，并打印训练集和验证集的形状。"

然后，我们选择了逻辑回归、支持向量机（多项式核）和XGBoost三种模型进行训练和评估。AI提示词为："创建一个包含LogisticRegression、SVC（多项式核，设置probability为True）、XGBClassifier三种模型的列表models；遍历models列表，对每个模型进行训练，使用roc_auc_score函数分别计算并打印模型在训练集和验证集上的准确率。"

go 复制代码

代码解读
复制代码
 print('Training Accuracy : ', metrics.roc_auc_score(Y_train, models[i].predict_proba(X_train)[:,1]))
 print('Validation Accuracy : ', metrics.roc_auc_score(Y_valid, models[i].predict_proba(X_valid)[:,1]))
 print()

展示模型训练和评估结果对应的图片：