En este artículo revisamos cómo ingerir, procesar y analizar datos desde fuentes externas mediante APIs y Python, tomando como ejemplo la API pública de Binance para obtener precios de pares de criptomonedas y filtrarlos con las librerías pandas y requests.
El siguiente es un script Python completo que implementa esta ingesta de datos. Está pensado como punto de partida para integrarlo en pipelines de datos, automatizaciones o para generar registros históricos desde la API de Binance.
import pandas as pd; import requests; BASE_URL = 'https://api.binance.com'; TARGET_PAIRS = ['BTCUSDT','ETHBTC','ETHUSDT','SOLUSDT']; def get_latest_prices(): # Obtiene, parsea y filtra datos de precios desde la API de Binance endpoint = f{BASE_URL}/api/v3/ticker/price; response = requests.get(endpoint); data = response.json(); price_df = pd.DataFrame(data); filtered_df = price_df[price_df['symbol'].isin(TARGET_PAIRS)]; print(filtered_df); return filtered_df; if __name__ == __main__: get_latest_prices()
A continuación desglosamos el script paso a paso para entender su estructura y puntos donde ampliarlo para producción.
1. Configuración y separación de valores Definimos BASE_URL y TARGET_PAIRS al inicio para separar la configuración de la lógica. Esto facilita modificar servicios objetivo o pares sin tocar la función principal y mejora la mantenibilidad del código.
2. Comunicación con la API usando requests La librería requests se encarga de la transacción HTTP con la API de Binance. Con requests.get apuntamos al endpoint que devuelve todos los precios. En entornos de producción conviene añadir manejo de errores, tiempos de espera y reintentos para robustecer la llamada.
3. Deserializar la respuesta JSON La mayoría de las APIs modernas responden en JSON. Llamando a response.json convertimos ese texto en objetos Python nativos, típicamente una lista de diccionarios que contienen los campos symbol y price entre otros.
4. Organizar datos con pandas pandas transforma la lista de diccionarios en un DataFrame, una estructura tabular en memoria con índices y etiquetas de columna que facilita operaciones posteriores como filtrado, agregación y transformación para análisis o almacenamiento.
5. Filtrado con boolean masking Utilizamos boolean masking para quedarnos solo con los pares que nos interesan. El patrón price_df[price_df['symbol'].isin(TARGET_PAIRS)] evalúa una máscara booleana y devuelve un nuevo DataFrame con las filas cuyo símbolo está en la lista TARGET_PAIRS.
Con estos cinco pasos tenemos una ingesta básica pero poderosa. Para llevarlo a producción recomendamos añadir manejo de errores con response.raise_for_status o try except, configurar timeouts en requests, instrumentación para logging y métricas, y persistencia en bases de datos o formatos de archivo como parquet para historizar los precios.
Automatización: puede ejecutarse periódicamente con un scheduler como cron o un servicio de orquestación y así construir una serie temporal de precios. Para escalado y despliegue se pueden usar contenedores y servicios cloud como AWS o Azure.
Sobre Q2BSTUDIO: somos una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones de inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos software a medida, aplicaciones a medida y soluciones integrales de inteligencia artificial e ia para empresas, incluyendo agentes IA, integración con Power BI y servicios inteligencia de negocio. Además proporcionamos servicios cloud AWS y Azure y arquitecturas seguras para proteger tus datos y operaciones.
Servicios clave que ofrecemos: desarrollo de software a medida, aplicaciones a medida, consultoría y despliegue de inteligencia artificial, detección y respuesta en ciberseguridad, servicios inteligencia de negocio, integración con Power BI, agentes IA personalizados y migración o gestión en servicios cloud AWS y Azure.
Si buscas mejorar el valor de tus datos con soluciones personalizadas, automatizar pipelines de ingesta o aplicar inteligencia artificial a tus procesos de negocio, Q2BSTUDIO puede ayudarte a diseñar, implementar y operar la solución adecuada, con foco en seguridad, escalabilidad y resultados medibles.
Palabras clave para posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.