Kripto Para Madenciliği Veri Senaryoları

Kaggle’da bulunan Kripto Para Madenciliği Verileri veri seti, Bitcoin (BTC), Ethereum (ETH) ve Dogecoin (DOGE) gibi önde gelen kripto para birimlerinin madencilik faaliyetlerine dair günlük verileri içermektedir. Bu veri seti, kripto para madenciliği süreçlerini analiz etmek ve bu süreçlerin zaman içindeki değişimini incelemek isteyen araştırmacılar ve veri analistleri için değerli bir kaynak sunmaktadır.

📊 Veri Seti İçeriği

Veri seti, aşağıdaki anahtar metrikleri kapsamaktadır:

• Günlük Üretilen Coin Miktarı: Her bir kripto para birimi için günlük olarak üretilen coin sayısı.
• İşlem Ücretleri: Günlük toplam işlem ücretleri, madencilerin gelirlerini ve ağın kullanım yoğunluğunu yansıtır.
• Toplam Madencilik Geliri: Coin üretimi ve işlem ücretlerinden elde edilen toplam gelir.
• Zorluk Seviyesi (Difficulty): Ağın madencilik zorluğu, madencilik sürecinin ne kadar rekabetçi olduğunu gösterir.
• Hash Rate: Ağın toplam işlem gücü, madencilik faaliyetlerinin yoğunluğunu ve güvenliğini yansıtır.

Bu metrikler, kripto para ağlarının performansını ve madencilik faaliyetlerinin etkinliğini değerlendirmek için kullanılabilir.

🧠 Kullanım Alanları

Bu veri seti, çeşitli analiz ve araştırmalar için kullanılabilir:

• Ekonomik Analizler: Madencilik gelirlerinin zaman içindeki değişimini inceleyerek, kripto para ekonomisinin evrimini anlamak.
• Ağ Sağlığı Değerlendirmesi: Hash rate ve zorluk seviyesi gibi metrikleri analiz ederek, ağın güvenliği ve istikrarı hakkında çıkarımlar yapmak.
• Trend Analizi: İşlem ücretleri ve madencilik gelirlerindeki dalgalanmaları inceleyerek, piyasa eğilimlerini ve kullanıcı davranışlarını analiz etmek.
• Karşılaştırmalı İncelemeler: Farklı kripto para birimlerinin madencilik performanslarını karşılaştırarak, hangi ağların daha verimli veya karlı olduğunu belirlemek.

📁 Veri Setine Erişim

Veri setine aşağıdaki bağlantı üzerinden erişebilirsiniz:

🔗 Kripto Para Madenciliği Verileri — Kaggle

https://www.kaggle.com/datasets/amritpal333/kripto-madencilik-verileri

Veri seti, CSV formatında sunulmakta olup, Python, R veya Excel gibi araçlarla kolayca analiz edilebilir.

✅ Python (sqlite3 + pandas) ile CREATE TABLE Senaryosu: Sütun Tipini Değiştirme

import sqlite3
import pandas as pd
from datetime import datetime, timedelta

# 1. SQLite veritabanı bağlantısı (bellek içinde, kalıcı değil)
conn = sqlite3.connect(':memory:')
cursor = conn.cursor()

# 2. Tabloyu oluştur
cursor.execute("""
CREATE TABLE GunlukVeri (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    tarih DATE NOT NULL,
    tx_hacmi_usd REAL,
    tx_sayisi INTEGER,
    piyasa_degeri_usd REAL,
    fiyat_usd REAL,
    doviz_hacmi_usd REAL,
    aktif_adres INTEGER,
    medyan_tx_degeri_usd REAL
)
""")

# 3. Örnek veri ekle
veriler = [
    ('2025-05-15', 10500000.50, 352, 1200000000.00, 14500.25, 48000000.00, 312, 345.6758),
    ('2025-05-14', 9800000.00, 410, 1195000000.00, 14250.75, 47000000.00, 298, 328.2104),
    ('2025-05-13', 11250000.75, 376, 1212000000.00, 14620.80, 50000000.00, 321, 367.8912)
]

cursor.executemany("""
INSERT INTO GunlukVeri (
    tarih, tx_hacmi_usd, tx_sayisi, piyasa_degeri_usd, fiyat_usd,
    doviz_hacmi_usd, aktif_adres, medyan_tx_degeri_usd
) VALUES (?, ?, ?, ?, ?, ?, ?, ?)
""", veriler)

conn.commit()

# 4. Son 7 güne ait ortalama fiyatı sorgula
yedi_gun_once = (datetime.now() - timedelta(days=7)).date()
query = """
SELECT AVG(fiyat_usd) AS ortalama_fiyat_son_7_gun
FROM GunlukVeri
WHERE tarih >= ?
"""

df_sonuc = pd.read_sql_query(query, conn, params=(yedi_gun_once,))
print("Son 7 günün ortalama fiyatı (USD):")
print(df_sonuc)

# 5. İsteğe bağlı: Tüm verileri görüntüle
df_veriler = pd.read_sql_query("SELECT * FROM GunlukVeri", conn)
print("\nTablodaki tüm veriler:")
print(df_veriler)

# Bağlantıyı kapat
conn.close()

✅ KODUN AÇIKLAMASI (Adım Adım)

import sqlite3
import pandas as pd

🔹 **sqlite3: SQLite veritabanı işlemleri için Python’ın yerleşik kütüphanesidir. 🔹 `pandas`**: Tablo verilerini daha okunabilir şekilde görüntülemek için kullanılır.

conn = sqlite3.connect(':memory:')
cursor = conn.cursor()

🔹 **connect(':memory:'): Veritabanını RAM üzerinde oluşturur (kalıcı dosya değil). 🔹 `cursor`**: SQL komutlarını çalıştırmamıza olanak tanır.

cursor.execute("""
CREATE TABLE Urun (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    ad TEXT NOT NULL,
    fiyat TEXT
)
""")

🔹 Yeni bir tablo oluşturduk: Urun. 🔹 fiyat sütunu hatalı şekilde TEXT olarak tanımlandı. Yani sayılar metin gibi saklanır. Bu, fiyatlarla matematiksel işlem yapmayı engeller.

veriler = [
    ("Kalem", "12.5"),
    ("Defter", "20.75"),
    ("Silgi", "5.0")
]
cursor.executemany("INSERT INTO Urun (ad, fiyat) VALUES (?, ?)", veriler)
conn.commit()

🔹 Urun tablosuna 3 satır veri ekleniyor. 🔹 Fiyatlar string olarak girildi (örneğin "12.5"), çünkü sütun tipi TEXT.

cursor.execute("""
CREATE TABLE Urun_yeni (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    ad TEXT NOT NULL,
    fiyat REAL
)
""")

🔹 Urun_yeni adında yeni bir tablo oluşturduk. 🔹 Bu kez fiyat sütunu doğru şekilde REAL tipinde (ondalıklı sayılar için).

cursor.execute("""
INSERT INTO Urun_yeni (id, ad, fiyat)
SELECT id, ad, CAST(fiyat AS REAL) FROM Urun
""")
conn.commit()

🔹 CAST(fiyat AS REAL): TEXT olan fiyatları sayıya dönüştürdük. 🔹 Verileri Urun tablosundan Urun_yeni tablosuna taşıdık.

cursor.execute("DROP TABLE Urun")
cursor.execute("ALTER TABLE Urun_yeni RENAME TO Urun")

🔹 Eski tabloyu sildik (DROP). 🔹 Yeni tabloyu orijinal ismiyle yeniden adlandırdık (ALTER TABLE).

df = pd.read_sql_query("SELECT * FROM Urun", conn)
print("Güncellenmiş Urun tablosu (fiyat artık REAL):")
print(df)

🔹 Güncellenmiş tabloyu çekiyoruz ve yazdırıyoruz. 🔹 Artık fiyat sütunu REAL tipi, yani sayılar artık gerçekten sayı.

conn.close()

🔹 Veritabanı bağlantısını kapatırız.

✅ PROGRAMIN ÇIKTISI:

Güncellenmiş Urun tablosu (fiyat artık REAL):
   id      ad  fiyat
0   1   Kalem  12.50
1   2  Defter  20.75
2   3   Silgi   5.00

✅ ÇIKTININ AÇIKLAMASI:

🔹 Bu tablo artık doğru bir şekilde ürün fiyatlarını sayısal (REAL) tipte saklıyor. 🔹 Bu sayede SUM(fiyat), AVG(fiyat), WHERE fiyat > 10 gibi matematiksel SQL sorguları güvenle yapılabilir.

Sonuç olarak bu kod, kripto para madenciliğine ait günlük verileri geçici bir SQLite veritabanında analiz ederek son 7 gün içindeki ortalama fiyatı hesaplamak için tasarlanmıştır. Kodda önce veritabanı bellekte oluşturulmuş, ardından GunlukVeri adında bir tablo yaratılmış ve örnek olarak üç günlük veriler bu tabloya eklenmiştir. Her bir kayıt; tarih, işlem hacmi, işlem sayısı, piyasa değeri, coin fiyatı, döviz hacmi, aktif adres sayısı ve medyan işlem değerini içermektedir. Daha sonra, mevcut tarihten geriye doğru son 7 günü kapsayan bir zaman dilimi için ortalama fiyat (fiyat_usd) hesaplanmıştır. Bu analiz, kripto paranın kısa vadeli fiyat eğilimini değerlendirmek ve piyasa davranışını anlamak açısından önemlidir. Ayrıca tüm kayıtlar bir DataFrame ile görüntülenerek verinin genel yapısı gözlemlenmiştir. Bu yapı, daha büyük kripto madencilik veri kümelerini analiz etmede temel bir model oluşturur.