-
Notifications
You must be signed in to change notification settings - Fork 0
/
version0.0.py
243 lines (206 loc) · 8.95 KB
/
version0.0.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
from sys import implementation
import streamlit as st
import pandas as pd
import numpy as np
import ccxt
from st_aggrid import AgGrid
#print(ccxt.exchanges)
#archivo=ccxt.exchanges
#AgGrid(archivo)
import pandas as pd
import requests
from datetime import datetime
import time
def funcion_crearDF_por_año(año):
endpoint_url='https://ftx.com/api/markets'
base_currency = 'FTT'
quote_currency = 'USD'
request_url = f'{endpoint_url}/{base_currency}/{quote_currency}'
import pandas as pd
import requests
from datetime import datetime
# 1 day = 60 * 60 * 24 (60 segundos 1 (minuto) por 60 minutos(1 hora) por 24 (horas))
daily=str(60*60*24)
#Obtengo los datos a partir de 2022
start_date = datetime(año, 1, 1).timestamp()
st.write(start_date)
#Get para obtener los datos de la API en formato JSON
# Get the historical market data as JSON
historical = requests.get(
f'{request_url}/candles?resolution={daily}&start_time={start_date}'
).json()
# Convert JSON to Pandas DataFrame
df = pd.DataFrame(historical['result'])
# Convert time to date
df['date'] = pd.to_datetime(
df['time']/1000, unit='s', origin='unix'
)
pd.DataFrame(df ,columns=[ "open", "high", "low", "close","date"])
# Remove unnecessar columns
df.drop(['startTime', 'time'], axis=1, inplace=True)
#dividir date en año, mes, dia. Redondear volume
df['año'] = pd.DatetimeIndex(df['date']).year
df['mes'] = pd.DatetimeIndex(df['date']).month
df['dia'] = pd.DatetimeIndex(df['date']).day
df['volume']=round(df['volume'],1)
return df
def funcion_calcular_varianza(li):
suma=0
for i in li:
suma=suma+i
#print("suma: ",suma)
promedio2=suma/5
#print("promedio2: ",promedio2)
nuevali=[]
for i in li:
resta_i=i-promedio2
#print("varianza: ",resta_i)
nuevali.append(resta_i**2)
##print("nuevali: ",nuevali)
suma2=0
for i in nuevali:
suma2=suma2+i
#print("suma: ",suma2)
varianza=suma2/5
#print("promedio3: ",varianza)
std_dev=varianza** (0.5)
return varianza,std_dev
def funcion_obtener_price_coin_actual():
import pandas as pd
import requests
import numpy as np
markets = requests.get('https://ftx.com/api/markets').json()
keys_ñl=markets.keys()
df = pd.DataFrame(markets['result'])
df.set_index('name', inplace = False)
list_names=[]
lista_precio_actual=[]
lista_conversion=[]
precio_sin_media=[]
list_monedas=["LINK","MATIC","USDT","NEAR","XRP","DOT","DAI","SOL","DOGE"]
for moneda in list_monedas:
string_moneda=moneda+"/USD"
#print(string_moneda)
btc_df=df[df["name"]==string_moneda]
#st.write("I'm ", btc_df, 'years old')
#btc_df["price"]=btc_df["price"].astype('float')
price_val=btc_df['price']
price_val=round(float(btc_df['price']),2)
#print(price_val)
lista_precio_actual.append(price_val)
list_names.append(moneda)
#conversion
val_conversion=1/price_val
lista_conversion.append(val_conversion)
#print(list_names)
col=["precio","moneda","precio_usd"]
c = zip(lista_precio_actual,list_names,lista_conversion)
df3=pd.DataFrame(c)
#data_ML_car.loc[data_ML_car['carwidth']]=df[
df3.columns=col
varianza_coin,desv_estd_coin=funcion_calcular_varianza(lista_precio_actual)
varianza_coin=round(varianza_coin,2)
desv_estd_coin=round(desv_estd_coin,2)
varianza_USD,desv_estd_USD=funcion_calcular_varianza(lista_conversion)
varianza_USD=round(varianza_USD,2)
desv_estd_USD=round(desv_estd_USD,2)
return df3,varianza_coin,desv_estd_coin,varianza_USD,desv_estd_USD
df_stadistic,varianza_coin,desv_estd_coin,varianza_USD,desv_estd_USD=funcion_obtener_price_coin_actual()
st.set_page_config(
page_title="Dashboard de FTX :",
page_icon="✅",
layout="wide",
)
df_concat=funcion_crearDF_por_año(2019)
df_concat['date'] = pd.to_datetime(df_concat['date'], format="%Y %m/%d")
df_concat=df_concat.drop(columns=["año","mes","dia","open","high","low","close"])
#df_concat=df_concat.reset_index(drop=True)
#df_concat=df_concat.drop(columns="index")
st.title("Dashboard de FTX")
col1,col2,col3= st.columns([1,2,1])
with st.sidebar:
list_menu=["Reporte de calidad y detalle de los datos","Ultimas 24hs","Datos historicos","Varianza, Volumen de transacción ","Calculadora","Media Móvil"]
opcion_elegida=st.sidebar.selectbox( "Menu",list_menu )
if(opcion_elegida=="Ultimas 24hs"):
st.subheader("Ultimas 24hs")
st.success("layout")
precio_lit=list(df_stadistic["precio"])
datos_list=list(df_stadistic["moneda"])
import plotly.graph_objs as go
with col1:
st.title("Ultimas 24hs")
fig = go.Figure(
go.Pie(
labels = datos_list,
values = precio_lit,
hoverinfo = "label+percent",
textinfo = "value"
))
st.header("Pie chart")
st.plotly_chart(fig)
elif opcion_elegida=="Datos historicos":
list_menu2=["Filtrar por Año","Filtrar por Año y Mes","Filtrar por Año, Mes y Dia"]
opcion_elegida2=st.sidebar.selectbox( "Menu",list_menu2 )
if(opcion_elegida2=="Filtrar por Año"):
with col2:
max_year=df_concat['date'].dt.year.max()
min_year=df_concat['date'].dt.year.min()
max_year=int(max_year)
min_year=int(min_year)
year_slider = st.slider('Año precio historico:',min_year, max_year, max_year)
datos_año=df_concat[df_concat['date'].dt.year==year_slider]
#df_reset_datos_mes=datos_año.reset_index()
#df_reset_datos_mes.duplicated(keep='first')
datos_año=datos_año.set_index('date', inplace = False)
import plotly_express as px
fig=px.line(datos_año, x = datos_año.index, y = datos_año.columns)
# Plot!
st.plotly_chart(fig)
#sns.line_chart(datos_año, x = datos_año.index, y = datos_año.columns)
#st.line_chart(datos_año)
elif (opcion_elegida2=="Filtrar por Año y Mes"):
with col2:
max_year=df_concat['date'].dt.year.max()
min_year=df_concat['date'].dt.year.min()
max_year=int(max_year)
min_year=int(min_year)
year_slider = st.slider('Año precio historico:',min_year, max_year, max_year)
datos_año=df_concat[df_concat['date'].dt.year==year_slider]
datos_año.duplicated(keep='first')
max_month=datos_año['date'].dt.month.max()
min_month=datos_año['date'].dt.month.min()
max_month=int(max_month)
min_month=int(min_month)
month_slider = st.slider('Mes precio historico:',min_month, max_month, max_month)
datos_mes=datos_año[datos_año['date'].dt.month==month_slider]
#df_reset_datos_mes=datos_mes.reset_index()
#df_reset_datos_mes.duplicated(keep='first')
datos_mes=datos_mes.set_index('date', inplace = False)
import plotly_express as px
fig=px.line(datos_mes, x = datos_mes.index, y = datos_mes.columns)
else:
with col2:
max_year=df_concat['date'].dt.year.max()
min_year=df_concat['date'].dt.year.min()
max_year=int(max_year)
min_year=int(min_year)
year_slider = st.slider('Año precio historico:',min_year, max_year, max_year)
datos_año=df_concat[df_concat['date'].dt.year==year_slider]
datos_año.duplicated(keep='first')
max_month=datos_año['date'].dt.month.max()
min_month=datos_año['date'].dt.month.min()
max_month=int(max_month)
min_month=int(min_month)
month_slider = st.slider('Mes precio historico:',min_month, max_month, max_month)
datos_mes=datos_año[datos_año['date'].dt.month==month_slider]
datos_mes.duplicated(keep='first')
max_da=datos_mes['date'].dt.day.max()
max_da=int(max_da)
min_da=datos_mes['date'].dt.day.min()
min_da=int(min_da)
day_slider = st.slider('Dia precio historico:',min_da, max_da, max_da)
datos_dia=datos_mes[datos_mes['date'].dt.day==day_slider]
datos_dia=datos_dia.set_index('date', inplace = False)
import plotly_express as px
fig=px.line(datos_dia, x = datos_dia.index, y = datos_dia.columns)
#df_stadistic,varianza_coin,desv_estd_coin,varianza_USD,desv_estd_USD