17370845950

Python区块链数据分析首选比特币和以太坊，核心步骤为：一、通过Blockstream（BTC）或Alchemy/Infura/Etherscan（ETH）获取链上数据；二、用pandas提取活跃地址、Gas消耗、MVRV等指标；三、结合matplotlib/plotly可视化揭示网络状态与异常。

用Python做区块链数据分析，核心是获取链上数据、清洗处理、提取指标并可视化。比特币和以太坊因生态成熟、API丰富、社区工具完善，是最常被选作入门和实战的两条公链。

一、数据获取：从公开API到本地节点

比特币和以太坊都支持多种数据接入方式。初学者推荐使用托管API服务，省去同步全节点的资源消耗；进阶用户可运行轻节点或归档节点获取更细粒度数据。

• 比特币：可用 Blockstream API（https://blockstream.info/api）获取实时区块、交易、地址余额等，无需密钥，响应快，适合教学与小规模分析。
• 以太坊：推荐使用 Alchemy 或 Infura（需注册获取API key），配合 web3.py 调用 eth_getBlockByNumber、eth_getTransactionReceipt 等方法；也可用 Etherscan API（适合地址交易历史、代币持有量等场景）。
• 注意：Etherscan 和 Blockstream 的免费额度有限，高频请求需加 sleep 或升级套餐；web3.py 连接需指定 HTTP/WebSocket 提供商 URL，主网与测试网（如 Sepolia）URL 不同，别混淆。

二、关键指标提取：从交易到网络健康度

链上数据分析不是堆砌原始字段，而是围绕业务问题提炼可解释指标。常见方向包括活跃度、集中度、资金流向和网络效率。

• 比特币：计算每日活跃地址数（去重输入/输出地址）、链上交易费中位数、MVRV Z-Score（衡量市场情绪）、大额转账（>100 BTC）频次变化。
• 以太坊：统计日均Gas消耗总量、智能合约调用占比、ERC-20转账数量、新合约部署数、Top 100 地址的ETH持仓变动（反映巨鲸行为）。
• 小技巧：用 pandas 对交易时间戳转为 datetime 后按天 resample；用 groupby + nunique 统计活跃地址；对地址余额变化做 rolling mean 观察趋势；避免直接 count() 所有交易——未确认交易或零值转账会干扰结果。

三、典型分析场景与代码片段

以下两个轻量级示例可直接运行，依赖 requests、pandas、matplotlib：

• 比特币7日链上交易量趋势：调用 Blockstream API 获取最近7天区块数据，sum(block['tx_count'] * avg_tx_size)，再乘以当日BTC价格估算交易价值量。
• 以太坊某DeFi协议资金流入热力图：用 Etherscan API 查协议合约地址的“内部交易”（Internal Txns），提取 from、to、value 字段，用 networkx 构建地址关系图，结合 matplotlib 颜色映射显示资金净流入强度。
• 提醒：Etherscan 返回 value 是 wei 单位，需除以 10**18 转为 ETH；Blockstream 返回的交易不带金额，需解析输入输出脚本并查UTXO状态——若只做宏观分析，可用交易笔数代替价值量作为代理变量。

四、可视化与洞察落地

图表不是装饰，要服务于判断。避免堆砌折线图，优先选择能揭示结构或异常的表达方式。

• 用双Y轴图对比比特币交易数与矿工费中位数，识别拥堵拐点；
• 将以太坊Gas Price分布绘制成直方图+核密度曲线，观察竞价分层（如基础费 vs 小费区间是否拉大）；
• 对地址集群做简单聚类（如按入金频次+单笔均值），标出疑似CEX、混币器或稳定币发行方——这类标签虽不精确，但可辅助链上情报初筛。
• 工具建议：plotly 可交互缩放，适合探索阶段；seaborn 的 clustermap 适合看地址行为相似性；保存图像时用 bbox_inches='tight' 防标题截断。