• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Otener la cotización del Bitcoin con R

febrero 2, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Para consultar la cotización del Bitcoin, o de cualquier otra criptomoneda, se puede usar una de las múltiples API que existen en la actualidad. La plataforma de intercambio de criptomonedas Bitmex ofrece posiblemente una de las API más sencillas de utilizar. Además de no ser necesario disponer de una clave privada para poder consultar las cotizaciones como puede suceder en otras plataformas. Por eso, en esta entrada vamos a aprender a consultar la cotización del Bitcoin con R utilizando para ello el API de Bitmex. Información que posteriormente se podrá utilizar para realizar análisis en R de las cotizaciones.

El API de Bitmex

Para evaluar el API que ofrece Bitmex para consultar la cotización de las criptomonedas se puede usar su explorador https://www.bitmex.com/api/explorer/. Una página en la que se puede consultar la potencia de esta herramienta. Para obtener la información de una criptomoneda solamente hay que indicar el símbolo de esta y el periodicidad con la que se desea obtener los valores. Obteniendo por defecto 100 cotizaciones, aunque el número de perdidos se puede cambiar con facilidad.

Publicidad


Acceso al API desde R

Para acceder al API de Bitmex desde R solamente será necesario contar con el paquete jsonlite. Un paquete con el que se puede importar cualquier JSON en un DataFrame, tanto desde un archivo como desde la web. Paquete que si no tenemos en nuestra instalación de R se puede obtener desde el CRAN ejecutando el siguiente comando en una sesión de R

Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas
En Analytics Lane
Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas

install.packages("jsonlite")

Una vez instalado el paquete solamente debemos crear la URL, con las propiedades que nos interese en cada momento e importar los datos con jsonlite(). Las propiedades más interesantes son la criptomoneda, lo que se indica mediante el símbolo (symbol), la fecha de inicio (startTime), la periodicidad con la que se consultan los datos (binSize) y el número de perdidos que se desea importar (count). URL que se puede construir mediante la función paste0(), como se hace en la siguiente función:

library(tidyverse)
library(jsonlite)

bimex_reader <- function(symbol = "XBTEUR", binSize = "1d", count = 10, startTime = as.Date(today()) - 10) {
  url <- paste0("https://www.bitmex.com/api/v1/trade/bucketed?", 
                'binSize=', binSize, 
                '&symbol=', symbol, 
                '&count=', count,
                '&startTime=', startTime)
  
  fromJSON(url) %>% mutate(timestamp = as_datetime(timestamp))
}

Una función en la que por defecto se carga la cotización del Bitcoin frente al euro, con una periodicidad diaria y para los últimos 10 días. Obteniendo por defecto el día de inicio a partir de la fecha actual menos los 10 días. En la función, una vez importados los datos, se convierte los valores de la columna timestamp en fecha para facilitar su posterior análisis.

Ahora para consultar la cotización del Bitcoin en septiembre de 2021 solamente se tiene que llamar a la función con la fecha de inicio.

> bimex_reader(startTime="2021-09-01")
    timestamp symbol    open    high     low   close trades   volume     vwap lastSize    turnover homeNotional foreignNotional
1  2021-09-01 XBTEUR 39859.5 40896.0 39662.0 39986.0    656  2943900 40138.56      200  7334360332     73.34360         2943900
2  2021-09-02 XBTEUR 39986.0 41538.0 39464.5 41316.5   1233  1337800 40650.08    23700  3291018000     32.91018         1337800
3  2021-09-03 XBTEUR 41316.5 42530.0 41131.0 41598.0   1294  4249500 41850.99    40000 10153887842    101.53888         4249500
4  2021-09-04 XBTEUR 41598.0 43036.0 40800.0 42074.0   1696  7612000 42240.61      100 18020647593    180.20648         7612000
5  2021-09-05 XBTEUR 42074.0 42530.0 41550.0 42100.0    812  2645600 42097.11     4000  6284531790     62.84532         2645600
6  2021-09-06 XBTEUR 42100.0 43666.0 41681.0 43547.0   1708 10168200 42539.43    22700 23903067746    239.03068        10168200
7  2021-09-07 XBTEUR 43547.0 44504.5 43050.0 44437.5   1445  5481500 43669.08      100 12552409008    125.52409         5481500
8  2021-09-08 XBTEUR 44437.5 44600.0 34639.5 39472.0   3127 21243200 40948.87      200 51877480251    518.77480        21243200
9  2021-09-09 XBTEUR 39472.0 39911.0 37610.0 38987.0   2104  5342800 38976.78      900 13707677674    137.07678         5342800
10 2021-09-10 XBTEUR 38987.0 40019.0 38555.0 39172.0   1700  6721500 39257.72      100 17121524141    171.21524         6721500

Conclusiones

En esta entrada se ha visto como se puede consultar la cotización del Bitcoin con R gracias al uso del jsonlite y el API de Bitmex. Siendo bastante útil lo aprendido en esta entrada, ya que lo visto se puede adaptar para obtener información de cualquier otra API que sea de interés para nosotros.

Imagen de MichaelWuensch en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicidad


Publicaciones relacionadas

  • Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas
  • Probabilidades y tests: por qué un resultado positivo no significa lo que crees
  • JSON en bases de datos: cuándo es buena idea y cuándo no
  • Roles en ciencia de datos: Guía completa de perfiles técnicos
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no)
  • Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad
  • Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña
  • Hardening de NGINX en 2026: configuración segura básica paso a paso

Publicado en: Criptografía, R

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Hardening de NGINX en 2026: configuración segura básica paso a paso

marzo 12, 2026 Por Daniel Rodríguez

Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña

marzo 10, 2026 Por Daniel Rodríguez

Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad

marzo 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Curiosidad: El origen del análisis exploratorio de datos y el papel de John Tukey publicado el septiembre 4, 2025 | en Ciencia de datos, Opinión
  • Cómo solucionar problemas de red en VirtualBox: Guía completa publicado el junio 11, 2025 | en Herramientas
  • Cómo calcular el tamaño de la muestra para encuestas publicado el septiembre 9, 2025 | en Ciencia de datos
  • Cómo instalar paquetes en Jupyter Notebook de forma eficiente: Guía completa con ejemplo publicado el febrero 3, 2025 | en Python
  • Gráfica con los datos y las anomalías detectadas con OneClass SVM One-Class SVM: Detección de anomalías con máquinas de vector soporte publicado el marzo 15, 2024 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto