掌握 Binance API：解锁交易数据的奥秘！小白也能轻松上手！

如何使用 Binance API 进行市场分析

Binance API (应用程序编程接口) 为开发者提供了一个强大的工具，可以访问 Binance 交易所的实时和历史数据，从而进行深入的市场分析。 本文将详细介绍如何使用 Binance API 来收集数据、进行分析，并提供一些实际示例。

1. 准备工作

在使用 Binance API 之前，充分的准备工作是成功进行交易和数据分析的关键。以下步骤将指导你完成必要的配置：

• Binance 账户： 拥有一个经过验证的 Binance 账户是使用 API 的首要前提。这意味着你需要完成注册流程，并根据 Binance 的 KYC（了解你的客户）要求进行身份验证。如果你尚未拥有账户，请访问 Binance 官方网站进行注册。 务必使用安全强度高的密码，并启用双重验证 (2FA)，以增强账户安全性。
• API 密钥： 登录你的 Binance 账户后，前往 API 管理页面创建新的 API 密钥。该页面通常位于用户中心或个人资料设置中。创建 API 密钥时，系统会生成一个 API Key (公钥) 和一个 Secret Key (私钥)。
  重要提示： 务必将 Secret Key 妥善保管，切勿泄露给任何人。一旦泄露，你的账户可能面临安全风险。API Key 类似于用户名，Secret Key 类似于密码。
  在创建 API 密钥时，仔细配置权限至关重要。Binance 允许你设置 API 密钥的权限，例如只读 (Read Only)、允许交易 (Enable Trading)、允许提现 (Enable Withdrawals) 等。为了安全起见，建议根据实际需求授予最小权限。例如，如果你只需要获取市场数据，则仅需授予只读权限。永远不要授予不必要的权限。
  部分高级 API 功能可能需要额外的权限，例如 margin 交易或杠杆代币交易。请仔细阅读 Binance API 文档，了解各项权限的具体含义。
• 编程环境： 选择你熟悉的编程语言作为开发环境。常见的选择包括 Python、JavaScript、Java、C# 等。不同的编程语言拥有不同的优势，选择最适合你技能和项目需求的语言。
  本文将以 Python 为例进行讲解，因为 Python 拥有强大的数据处理和分析库，例如 Pandas 和 NumPy，以及成熟的 HTTP 请求库，如 Requests。Python 的语法简洁易懂，易于学习和使用。
• 必要的库： 在 Python 环境中，你需要安装一些必要的第三方库，以便与 Binance API 进行交互、处理返回的数据，以及进行可视化分析。常用的库包括：
  • requests ：用于发送 HTTP 请求，例如 GET、POST、PUT、DELETE 等。通过 requests 库，你可以向 Binance API 发送请求，并接收返回的 JSON 数据。
  • pandas ：用于数据处理和分析。 pandas 提供了 DataFrame 数据结构，可以方便地存储和操作表格数据。你可以使用 pandas 将 Binance API 返回的 JSON 数据转换为 DataFrame，然后进行数据清洗、转换和分析。
  • matplotlib ：用于数据可视化。 matplotlib 提供了各种绘图函数，可以创建各种类型的图表，例如折线图、柱状图、散点图等。你可以使用 matplotlib 将 Binance API 返回的数据可视化，以便更直观地了解市场趋势和交易情况。
  • python-binance : 这是 Binance 官方提供的 Python API 封装库，可以简化 API 调用过程，并提供更友好的接口。
  你可以使用 pip 命令安装这些库。在命令行或终端中执行以下命令：

  pip install requests pandas matplotlib python-binance

  确保你已经安装了 Python 和 pip。如果尚未安装，请先安装 Python 和 pip，然后再安装这些库。 为了获得更好的开发体验，建议使用虚拟环境 (virtual environment)。虚拟环境可以隔离不同项目的依赖包，避免版本冲突。

2. API 端点和数据类型

Binance API 提供了丰富的端点，允许开发者获取各种市场数据和账户信息。理解这些端点的功能和返回的数据类型是进行有效API交互的关键。以下是一些常用的公共端点，无需身份验证即可访问：

• GET /api/v3/ping : 这是一个简单的连接测试端点，用于验证与 Binance API 服务器的连接是否正常。如果请求成功，服务器会返回一个简单的 JSON 对象 {} ，表示连接可用。
• GET /api/v3/time : 获取 Binance 服务器的当前时间，以 Unix 时间戳（毫秒）表示。该端点可用于同步客户端时间，确保请求的时效性，尤其是在使用需要时间戳签名的 API 调用时。
• GET /api/v3/exchangeInfo : 获取交易所的元数据信息，包括所有可用的交易对 (symbols)、每个交易对的交易规则（如价格和数量的最小/最大限制、交易手续费率等）、以及服务器的限制信息（如请求频率限制）。此端点对于了解交易所的整体配置和交易规则至关重要。
• GET /api/v3/depth : 获取指定交易对的订单簿深度信息。可以指定返回的订单簿深度（例如，返回多少个买单和卖单）。该端点返回指定交易对的买单和卖单的价格和数量，是进行高频交易和市场分析的重要数据源。参数 limit 控制返回的订单数量，范围通常为 5, 10, 20, 50, 100, 500, 1000, 5000。
• GET /api/v3/trades : 获取指定交易对的最新成交记录（历史交易）。可以指定返回的交易数量。此端点提供交易对的实时交易数据，包括价格、数量、交易方向（买或卖）和时间戳。
• GET /api/v3/klines : 获取指定交易对的 K 线数据 (也称为 OHLCV 数据，即 Open, High, Low, Close, Volume)。K 线图是技术分析中常用的工具，用于展示一段时间内的价格波动。可以指定 K 线的时间间隔（例如，1 分钟、5 分钟、1 小时、1 天等），以及返回的历史数据数量。参数 interval 定义了K线的时间周期，例如 1m, 5m, 1h, 1d, 1w, 1M。
• GET /api/v3/ticker/24hr : 获取指定交易对的 24 小时行情数据摘要。该端点返回的信息包括：24 小时内的最高价、最低价、开盘价、收盘价、成交量、成交额、涨跌幅等。此端点适用于快速了解交易对的整体表现。
• GET /api/v3/ticker/price : 获取指定交易对的当前最新价格。只返回价格，数据量小，适合快速获取价格信息。
• GET /api/v3/ticker/bookTicker : 获取指定交易对的最佳买卖报价（即买一价和卖一价）。该端点返回当前市场上最优的买入和卖出价格以及对应的数量。对于需要快速进行交易决策的场景非常有用。

Binance API 返回的数据格式主要为 JSON (JavaScript Object Notation)，这是一种轻量级的数据交换格式，易于阅读和解析。大多数编程语言都提供了相应的 JSON 解析库，例如 Python 的 模块、JavaScript 的 JSON.parse() 方法等。你需要使用这些库来提取 API 返回的 JSON 数据中的有用信息，并将其转换为程序可以处理的数据结构。

3. 使用 Python 获取数据示例

下面是一些使用 Python 和 requests 库获取 Binance API 数据的示例，这些示例展示了如何通过编程方式与币安交易所的 API 交互，获取实时或历史的市场数据，并进行初步的数据处理。

• 获取 K 线数据:

以下代码演示了如何获取指定交易对（例如 BTCUSDT）的 K 线数据。K 线图是技术分析中常用的工具，可以帮助分析师判断价格走势。这里我们使用 requests 库发送 HTTP 请求，并使用 pandas 库将返回的数据转换为 DataFrame 格式，方便后续处理。

import requests
import pandas as pd

symbol = 'BTCUSDT'
interval = '1h' # 1 小时 K 线
limit = 100 # 获取最近 100 根 K 线

url = f'https://api.binance.com/api/v3/klines?symbol={symbol}&interval={interval}&limit={limit}'

response = requests.get(url)
data = response.()

df = pd.DataFrame(data, columns=['Open Time', 'Open', 'High', 'Low', 'Close', 'Volume', 'Close Time', 'Quote Asset Volume', 'Number of Trades', 'Taker Buy Base Asset Volume', 'Taker Buy Quote Asset Volume', 'Ignore'])

df['Open Time'] = pd.to_datetime(df['Open Time'], unit='ms')
df['Close Time'] = pd.to_datetime(df['Close Time'], unit='ms')
df = df.set_index('Open Time')
df = df.astype(float)

print(df)

这段代码首先构建 API 请求的 URL， 其中 symbol 参数指定了交易对， interval 参数指定了 K 线的时间周期（例如 1 小时）， limit 参数指定了返回的 K 线数量。然后，使用 requests.get() 发送请求，并将返回的 JSON 数据解析为 Pandas DataFrame。DataFrame 可以方便地进行数据处理和分析。需要注意的是， Binance API 返回的时间戳是以毫秒为单位的，因此需要使用 pd.to_datetime() 函数将其转换为日期时间格式。

通过修改 symbol 和 interval 变量，可以获取不同交易对和时间周期的 K 线数据。例如，将 interval 设置为 '5m' 可以获取 5 分钟 K 线数据，将 symbol 设置为 'ETHUSDT' 可以获取 ETHUSDT 交易对的 K 线数据。

• 获取 24 小时行情数据:

以下代码演示了如何获取指定交易对的 24 小时行情数据，包括最高价、最低价、交易量等。这些数据对于了解市场的整体状况非常有用。

import requests

symbol = 'BTCUSDT'

url = f'https://api.binance.com/api/v3/ticker/24hr?symbol={symbol}'

response = requests.get(url)
data = response.()

print(data)

这段代码获取 BTCUSDT 交易对的 24 小时行情数据。API 返回的 JSON 数据包含了各种统计信息，例如 priceChange （价格变动）、 priceChangePercent （价格变动百分比）、 weightedAvgPrice （加权平均价）、 highPrice （最高价）、 lowPrice （最低价）、 volume （交易量）、 quoteVolume （报价资产交易量）、 openTime （开盘时间）、 closeTime （收盘时间）、 firstId （首笔交易 ID）、 lastId （末笔交易 ID）和 count （交易笔数）。

这些数据可以用于计算各种指标，例如波动率、成交量加权平均价 (VWAP) 等，从而进行更深入的市场分析。同样，修改 symbol 变量可以获取不同交易对的 24 小时行情数据。

4. 数据分析和可视化

获取加密货币市场历史数据后，便可以利用强大的数据分析和可视化工具，例如 Pandas 和 Matplotlib 等 Python 库，对数据进行深入挖掘和解读。这些工具能够帮助识别趋势、模式和潜在的交易机会。

• 计算移动平均线 (Moving Average):

移动平均线是一种常用的技术分析指标，用于平滑价格波动，从而更好地识别趋势方向。通过计算不同时间段的移动平均线，可以有效地过滤掉短期噪音，从而更清晰地观察价格走势。

以下代码示例展示了如何使用 Pandas 和 Matplotlib 计算并绘制加密货币的移动平均线：

import pandas as pd
import matplotlib.pyplot as plt

# 假设 'df' 是包含加密货币价格数据的 Pandas DataFrame，包含 'Close' 列
# 例如：df = pd.read_csv('crypto_data.csv')

# 计算 7 天移动平均线
df['MA_7'] = df['Close'].rolling(window=7).mean()

# 计算 30 天移动平均线
df['MA_30'] = df['Close'].rolling(window=30).mean()

# 绘制价格和移动平均线
plt.figure(figsize=(12, 6))
plt.plot(df['Close'], label='Closing Price')
plt.plot(df['MA_7'], label='7-day Moving Average')
plt.plot(df['MA_30'], label='30-day Moving Average')

plt.xlabel('Date')
plt.ylabel('Price')
plt.title('Cryptocurrency Price with Moving Averages')
plt.legend()
plt.grid(True)
plt.show()

代码解释：

• `import pandas as pd`: 导入 Pandas 库，用于数据处理和分析。
• `import matplotlib.pyplot as plt`: 导入 Matplotlib 库，用于数据可视化。
• `df['MA_7'] = df['Close'].rolling(window=7).mean()`: 计算 7 天移动平均线，`rolling(window=7)` 创建一个滑动窗口，`mean()` 计算窗口内价格的平均值。
• `df['MA_30'] = df['Close'].rolling(window=30).mean()`: 计算 30 天移动平均线，方法同上。
• `plt.plot(...)`: 使用 Matplotlib 绘制价格和移动平均线。
• `plt.xlabel(...)`, `plt.ylabel(...)`, `plt.title(...)`: 设置图表的标签和标题。
• `plt.legend()`: 显示图例。
• `plt.grid(True)`: 显示网格线。
• `plt.show()`: 显示图表。

这段代码示例展示了如何利用 Pandas 和 Matplotlib 对加密货币价格数据进行分析和可视化，并计算移动平均线。您可以根据自己的需求调整窗口大小，以获得不同时间尺度的移动平均线。

假设你已经获取了 K 线数据并存储在 Pandas DataFrame `df` 中

在加密货币技术分析中，移动平均线 (MA) 是常用的平滑价格数据的工具，能有效识别趋势。以下代码演示了如何计算 20 日和 50 日的移动平均线，并将其添加到 DataFrame 中。`rolling(window=n).mean()` 函数用于计算指定窗口期 `n` 内的平均值，其中 `n` 分别为 20 和 50。

df['MA_20'] = df['Close'].rolling(window=20).mean()
df['MA_50'] = df['Close'].rolling(window=50).mean()

接下来，利用 `matplotlib.pyplot` 库将收盘价以及计算得到的移动平均线可视化。设置图表大小，绘制收盘价曲线，以及 20 日和 50 日移动平均线。通过 `plt.legend()` 添加图例，方便区分不同的曲线。添加标题和轴标签，使图表更具可读性。

plt.figure(figsize=(12, 6))
plt.plot(df['Close'], label='Close Price')
plt.plot(df['MA_20'], label='MA 20')
plt.plot(df['MA_50'], label='MA 50')
plt.legend()
plt.title('BTCUSDT Close Price with Moving Averages')
plt.xlabel('Time')
plt.ylabel('Price')
plt.show()

通过观察移动平均线的交叉和趋势，交易者可以尝试识别潜在的买入和卖出信号。例如，当短期移动平均线 (如 MA 20) 向上穿过长期移动平均线 (如 MA 50) 时，通常被视为一个看涨信号，称为“黄金交叉”。相反，当短期移动平均线向下穿过长期移动平均线时，则被视为一个看跌信号，称为“死亡交叉”。移动平均线结合其他技术指标一起使用，能提高分析的准确性。

RSI 是另一种常用的动量指标，用于衡量价格变动的速度和变化。它通过比较一段时期内的平均涨幅和平均跌幅，来判断资产是超买还是超卖。通常，RSI 值高于 70 被认为是超买，可能预示着价格将下跌；RSI 值低于 30 被认为是超卖，可能预示着价格将上涨。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

假设您已获取K线数据并将其存储在 DataFrame df 中

在进行相对强弱指数（RSI）计算前，需要准备好价格数据。 这里假设我们已经有了一个名为 df 的DataFrame，其中包含了至少一个名为 Close 的列，代表收盘价。 计算价格变动是RSI计算的第一步：

delta = df['Close'].diff() 使用 .diff() 函数计算收盘价的差分，即每一时间点的价格变动值。 这会产生一个新的Series，其中包含了每个时间点与前一个时间点收盘价的差值。

up = delta.clip(lower=0) 将价格上涨的幅度提取出来。 使用 .clip(lower=0) 方法，将所有小于0的值（即价格下跌的情况）设置为0，只保留价格上涨的部分。

down = -1 * delta.clip(upper=0) 类似地，提取价格下跌的幅度。 使用 .clip(upper=0) 方法将所有大于0的值（价格上涨的情况）设置为0， 然后乘以-1，得到价格下跌的绝对值。

period = 14 # RSI 周期 定义RSI的计算周期。 通常，14是一个常用的周期值，代表使用过去14个时间单位（例如14天或14小时）的数据来计算RSI。 选择不同的周期会影响RSI的灵敏度。

avg_up = up.rolling(window=period).mean() 计算价格上涨幅度的平均值。 使用 .rolling(window=period) 方法创建一个滚动窗口，然后使用 .mean() 方法计算窗口内价格上涨幅度的平均值。 这代表了在过去14个周期内平均的上涨幅度。

avg_down = down.rolling(window=period).mean() 类似地，计算价格下跌幅度的平均值。 使用相同的方法，计算过去14个周期内价格下跌幅度的平均值。

rs = avg_up / avg_down 计算相对强度（RS）。 RS是平均上涨幅度与平均下跌幅度的比率。 这个比率反映了价格上涨的强度相对于价格下跌的强度。

rsi = 100 - (100 / (1 + rs)) 计算RSI。 RSI的计算公式将RS转换为一个介于0到100之间的值。 该公式使得RSI值更容易理解和比较， 并能够直观地判断超买和超卖情况。

df['RSI'] = rsi 将计算得到的RSI值添加到原始的DataFrame中，作为一个新的列。

plt.figure(figsize=(12, 6)) 创建一个新的图形，并设置图形的大小。 figsize 参数控制图形的宽度和高度，单位为英寸。

plt.plot(df['RSI'], label='RSI') 绘制RSI曲线。 使用 plt.plot() 函数将DataFrame中的RSI数据绘制成折线图，并添加标签“RSI”。

plt.axhline(30, color='green', linestyle='--', label='Oversold (30)') 添加一条水平线，表示超卖区域。 plt.axhline() 函数绘制水平线，参数30表示水平线的位置（RSI值为30）， color 设置颜色为绿色， linestyle 设置线型为虚线， label 设置标签为“超卖 (30)”。 通常，RSI低于30被认为是超卖信号，表明资产可能被低估。

plt.axhline(70, color='red', linestyle='--', label='Overbought (70)') 添加另一条水平线，表示超买区域。 与超卖区域类似，RSI高于70被认为是超买信号，表明资产可能被高估。

plt.legend() 显示图例，解释图表中不同线条的含义。

plt.title('BTCUSDT RSI') 设置图表的标题，例如“BTCUSDT RSI”，表示该图表显示的是比特币兑泰达币的RSI指标。

plt.xlabel('Time') 设置X轴的标签为“时间”。

plt.ylabel('RSI Value') 设置Y轴的标签为“RSI值”。

plt.show() 显示绘制的图表。

这段代码计算了14日的RSI，并将其绘制在图表中。RSI可以帮助识别超买和超卖区域，提供潜在的交易信号。当RSI值较高（通常高于70）时，可能意味着资产处于超买状态，价格可能回调； 当RSI值较低（通常低于30）时，可能意味着资产处于超卖状态，价格可能反弹。 需要注意的是，RSI仅仅是一个指标， 应该结合其他技术分析工具和基本面分析来做出更全面的投资决策。 不同市场的超买超卖水平可能有所不同，需要根据具体情况进行调整。

5. 常见问题和注意事项

• API 限制 (Rate Limit): Binance API 对请求频率施加了严格的限制，以确保平台的稳定性和公平性。 如果您的应用程序超过了这些限制，API 将返回错误，您的请求将被拒绝。 为了应对这种情况，您需要在代码中实现错误处理机制，例如指数退避策略 (Exponential Backoff)。 这种策略涉及在每次请求失败后逐渐增加重试请求的间隔时间，从而避免在短时间内再次触发速率限制。 您可以通过检查响应头中的 X-MBX-USED-WEIGHT-* 参数来监控您的 API 使用情况，这些参数提供了关于您当前 API 权重消耗的详细信息，帮助您优化请求策略，避免超出限制。
• 数据准确性与延迟: Binance API 提供的数据通常被认为是可靠的，但与任何实时数据源一样，延迟和偶发性错误是不可避免的。 网络延迟、服务器负载和交易所内部处理等因素都可能影响数据的及时性和准确性。 因此，在做出重要的交易决策之前，强烈建议您采取额外的验证措施，例如交叉引用来自多个数据源的信息，并考虑使用历史数据进行回测，以评估潜在风险。
• 安全最佳实践: 保护您的 API 密钥和私钥至关重要，它们是访问您的 Binance 账户的凭证。 切勿将这些密钥泄露给任何人，并避免将其存储在不安全的位置，例如未加密的文本文件或公共代码仓库中。 定期轮换您的 API 密钥是一种良好的安全习惯，可以降低密钥泄露后造成的潜在损害。 强烈建议您在 Binance 账户上启用双重身份验证 (2FA)，这会增加一层额外的安全保障，即使您的密码泄露，未经授权的用户也无法访问您的账户。
• 深入研究 API 文档: Binance API 文档是您成功使用该 API 的关键资源。 该文档详细描述了每个端点的功能、参数要求、返回数据格式以及请求限制。 在开始开发之前，请务必仔细阅读并理解相关文档，特别是关于身份验证、请求签名和错误处理的部分。 Binance API 文档的官方地址是： https://binance-docs.github.io/apidocs/ 。 定期查看文档更新也很重要，因为 Binance 可能会添加新功能或更改现有功能，从而影响您的应用程序。

6. 高级应用

除了上述基本的账户管理和交易功能外，Binance API 还可以用于更高级的市场分析和自动化交易策略的实现，从而提升交易效率和决策质量。这些高级应用场景包括：

• 构建自动化交易机器人: 利用 API 实时获取市场数据，包括价格、深度、交易量等，结合预先设定的交易策略（例如，动量策略、均值回归策略、突破策略等），编写程序自动执行买卖操作。这需要对编程语言（如Python、Java等）、交易所API接口、以及量化交易策略有深入理解。程序还需要具备风险控制机制，例如止损止盈、仓位管理等，以应对市场波动带来的风险。
• 回测交易策略: 通过 API 获取 Binance 提供的历史交易数据，对交易策略进行回溯测试，评估其在不同市场条件下的表现。回测过程可以模拟真实的交易环境，检验策略的盈利能力、风险水平、以及参数优化。回测结果可以帮助交易者改进策略，并选择适合自己的交易方案。为了保证回测的准确性，需要关注数据的质量，并考虑手续费、滑点等因素的影响。
• 监控市场异常情况: 通过 API 监控包括价格波动率、交易量突增、订单簿异常等关键指标，及时发现潜在的市场操纵、黑天鹅事件或其他异常情况。例如，可以设置价格偏离阈值，当价格在短时间内大幅上涨或下跌时，触发警报。这种实时监控可以帮助交易者快速做出反应，避免不必要的损失。高级的异常检测可能需要复杂的算法和数据挖掘技术。
• 预测价格走势: 利用 API 获取大量的历史和实时市场数据，包括价格、交易量、订单簿数据、社交媒体情绪等，运用机器学习算法（如时间序列分析、神经网络、支持向量机等）构建预测模型，预测未来价格走势。预测结果可以作为交易决策的参考，但需要注意的是，市场预测存在不确定性，任何模型都无法保证百分之百的准确性。因此，在使用预测模型时，需要结合其他分析方法，并设置合理的风险管理措施。

这些高级应用需要更深入的编程技巧、数据分析能力、以及对金融市场的深刻理解。同时，也需要关注 API 的使用限制和安全性，避免因操作不当导致账户风险。

7. 其他库

除了通用的 HTTP 请求库 requests 之外，还有一些专门为 Binance API 量身定制的 Python 库，例如 python-binance 和 Binance-Connector-Python 。 这些库通过封装复杂的 API 调用，提供了更加友好的接口和更全面的功能，显著简化了与 Binance 交易所的交互。这些专门的库通常包含诸如数据流处理、签名生成、错误处理等功能，使开发者能够更专注于业务逻辑的实现。 选择库时，务必考量其维护活跃度、社区支持度以及与 Binance API 最新版本的兼容性。

例如，以下展示了如何使用流行的 python-binance 库获取 BTCUSDT 交易对的 K 线（蜡烛图）数据，并将其转换为易于分析的 Pandas DataFrame 格式：

from binance.client import Client
import pandas as pd

api_key = "YOUR_API_KEY"
api_secret = "YOUR_API_SECRET"

client = Client(api_key, api_secret)

klines = client.get_historical_klines("BTCUSDT", Client.KLINE_INTERVAL_1HOUR, "1 Jan, 2023", limit=1000)

df = pd.DataFrame(klines, columns=['Open Time', 'Open', 'High', 'Low', 'Close', 'Volume', 'Close Time', 'Quote Asset Volume', 'Number of Trades', 'Taker Buy Base Asset Volume', 'Taker Buy Quote Asset Volume', 'Ignore'])

df['Open Time'] = pd.to_datetime(df['Open Time'], unit='ms')
df['Close Time'] = pd.to_datetime(df['Close Time'], unit='ms')
df = df.set_index('Open Time')
df = df.astype(float)

print(df)

代码解释：导入 binance.client 中的 Client 类和 pandas 库。 然后，使用你的 API 密钥和密钥创建 Binance 客户端实例。 get_historical_klines 函数用于获取历史 K 线数据。 参数包括交易对（例如 "BTCUSDT"）、时间间隔（例如 Client.KLINE_INTERVAL_1HOUR 代表 1 小时）、起始时间和数据条数限制。 获取的数据被转换成 Pandas DataFrame，方便后续的数据分析和处理。 Open Time 和 Close Time 列从毫秒时间戳转换为 datetime 对象，并设置为 DataFrame 的索引。将 DataFrame 中的数据类型转换为浮点数，以便进行数值计算。