Python 在Coinbase上的应用

加密领域是试验不同技术的好方法。在本文中，我们将涵盖以下内容：

• 如何从Coinbase Pro加载数据到Pandas数据框?
• 如何转化和分析历史加密货币市场数据?
• 如何添加简单移动平均线(SMA)，指数移动平均线(EMA)， MACD, MACD信号?
• 如何使用Plotly和Python可视化加密货币市场数据?

本文只展示最相关的Python代码。

在文章的最后，我们将能够产生一个加密货币蜡烛棒图表，包括各种性能指标和市场趋势，像这样:

最终结果——包含市场趋势的 OHLC 蜡烛图

第一步：连接Coinbase Pro

在cbpro库的帮助下，连接到Coinbase Pro是一条单线:

import cbpropublic_client = cbpro.PublicClient()server_time = public_client.get_time()# Server time does not comply to iso format, therefore slight modification of string neededserver_time_now = datetime.fromisoformat(server_time['iso'].replace('T', ' ', 1)[0:19])print(server_time_now)

启动公共客户端到 Coinbase Pro

我们将定义几个常量，因为我们想要限制想要分析的货币数量。让我们还可以选择一个基础货币，如美元或欧元，我们想要使用它们来显示每种货币的价值。

FIAT_CURRENCIES = ['EUR','USD']MY_BASE_CURRENCY = FIAT_CURRENCIES[0]MY_CRYPTO_CURRENCIES = ["BTC","ETH","LTC","ALGO","SHIB","MANA"]GRANULARITIES = ['daily','60min','15min','1min']

定义常量

第二步：最近24小时的负载统计

接下来，我们将回顾过去24小时内每种加密货币的基本统计数据。我们还将添加一个自定义列“表现”，它将显示报表期间从开始到结束的表现。代码的其余部分负责数字格式化。

currency_rows = []for currency in MY_CRYPTO_CURRENCIES:    data = public_client.get_product_24hr_stats(currency+'-'+MY_BASE_CURRENCY)    currency_rows.append(data)df_24hstats = pd.DataFrame(currency_rows, index = MY_CRYPTO_CURRENCIES)df_24hstats['currency'] = df_24hstats.indexdf_24hstats['open'] = df_24hstats['open'].astype(float)df_24hstats['high'] = df_24hstats['high'].astype(float)df_24hstats['low'] = df_24hstats['low'].astype(float)df_24hstats['volume'] = df_24hstats['volume'].astype(float)df_24hstats['la