時点と値のペアから時系列を作成する：

値と時点から時系列を作成する：

値成分のキーを指定する：

値のキーをオプション付きで指定する：

反復子を使ってタイムスタンプを指定する：

多変量の値で：

Automaticのタイムスタンプで時系列を作成する：

デフォルトのタイムスタンプは非負の整数である：

値を抽出する：

単一の値成分を選択する：

単一の値成分の表形式：

複数の値成分を選択する：

Tabularオブジェクトではキーが一意である必要があるため，繰り返される成分はは破棄される：

値がTabularオブジェクトとして与えられる時系列を作成する：

タイムスタンプを抽出する：

タイムスタンプの型情報を取得する：

指定された時間窓について部分時系列を抽出する：

時系列を時間の関数としてプロットする：

明示的な成分キーを与える：

Tabularへの変換を使ってデータを表示する：

与えられたリストが不完全なときは，成分キーが自動的に加えられる：

{}を与えることですべての成分キーを生成する：

成分キーの引数のAutomaticという値は，入力キーを保持する：

成分キーは，与えられた場合は入力キーを無効にする：

成分キーの値がNoneのとき，出力の時系列は明示的な成分がない単純なものである：

入力キーがないとき，Automatic値は単純な成分入力を保持する：

数値のリスト可能な関数は，時系列の値に自動的に縫い込まれる：

TimeSeriesMapの結果と比較する：

時系列のMeanを求める：

平均は値のみに依存する：

タイムスタンプの分布によって重みが付けられた加重平均を計算する：

同一のタイムスタンプを持つ複数の時系列を結合すると，値に縫い込まれる：

時系列は，タイムスタンプの台の交点におけるタイムスタンプの和集合でリサンプリングされる：

台の交点はで，その中のタイムスタンプの和集合はである：

リサンプリングされた時系列を加えて結果を比較する：

数量を含む既存の時系列から，数量の大きさの新たな時系列を作成する：

2つの時系列の差を計算する：

結果をTimeSeriesThreadを使った計算と比較する：

時系列を可視化する：

TimeSeriesWindowを使って時系列の一部を抽出する：

TimeSeriesInsertを使って欠損値を置換する：

TimeSeriesShiftを使って時系列を2前にシフトする：

TimeSeriesRescaleを使って時系列を引き伸ばす：

TimeSeriesMapを使ってベクトル値時系列の成分の和を求める：

時系列のMovingAverageを計算する：

MovingMapを使って時系列の移動最大値を計算する：

TimeSeriesAggregateを使って時系列の週ごとの合計を計算する：

2のベキでサンプリングされた時系列を取る：

もとの経路を刻み幅2でアップサンプリングする：

新たなデータは経路関数からサンプリングされている：

TimeSeriesModelFitを使ってパラメトリックモデルを時系列にフィットする：

TimeSeriesForecastを使って時系列の次の10個の値を予測する：

時系列を予測と一緒にプロットする：

デフォルトで，明示的な暦指定がない日付は"Gregorian"と解釈される：

CalendarTypecal を使うと"Gregorian"の日付の暦が cal に変更される：

"Julian"暦の日付で時系列を構築する：

それらの日付を"Islamic"暦に変換する：

日付が異なる暦で与えられているときは，同じ暦に変換される：

CalendarTypeオプションを使って特定の暦に変換する：

デフォルトで，明示的な成分がないデータは単純な時系列になる：

Tabularに変換してデータを表示する：

成分キーが"a"と"b"の時系列を構築する：

デフォルトで，日付粒度は入力のタイムスタンプから推測される：

DateFunctionを使って異なる粒度を選択する：

曖昧な日付と値のペアのリストを取る：

年・月・日の解釈を指定する：

年・日・月の解釈を指定する：

TimeSeriesに日付粒度を指定する：

より細かい日付粒度を要求するとタイムスタンプのはじめがインスタンス化する：

営業日を使うために祝日暦を指定する：

7月4日はメキシコでは祝日ではない：

連邦営業日は証券取引署によって異なる：

HolidayCalendarを使って指定された国の営業日を可視化する：

デフォルト，TimeSeriesは線形次数を使ってタイムスタンプ間を補間する：

二次補間を指定する：

デフォルトで，TimeSeriesは重複したタイムスタンプの平均値を取る：

対応する値の合計を取る：

追加的なメタ情報を含める：

メタ情報を抽出する：

特性にメタ情報"Stock"が含まれるようになった：

追加されたメタ情報は，他の任意の特性と同様に使用できる：

欠損値がある時系列を取る：

MissingDataMethodを使って欠損値を欠損していない値の平均値で置換する：

線形補間を使って欠損値を置換する：

補間次数を指定する：

デフォルトで，TimeSeriesの中間時点の値は周波数領域を使って計算される：

二次補間を使う：

時間データが一定間隔で置かれていると明示的に想定する：

デフォルトで，時間の観測窓はタイムスタンプの範囲から推測される：

異なる時間の観測窓を指定する：

TimeSeriesの時刻帯を指定する：

日付文字列のタイムスタンプは，TimeZoneが指定されていても，$TimeZoneで与えられると仮定される：

TimeZoneオプションは，タイムスタンプには影響するが，値にはたとえそれが日付であっても影響しない：

SunPositionを使い，ある期間についてのシカゴにおける太陽の位置を生成する：

この期間における方位角と高度の変化をプロットする：

MoonPositionを使ってある期間の月の位置を生成する：

月の軌道が地球の赤道に対して傾いていることを証明する：

イリノイ州シャンペーンにおける2015年の1日あたりの日照時間：

1日あたりの日照時間の平均を求める：

1日あたりの日照時間の変化を分単位で求める：

CountryDataを使ってイギリスとドイツのGDPを生成する：

これら2国のGDPを比較する：

株価を予測する：

ARIMA過程をフィットする：

今後半年先までの予測：

ロングアイランド・マッカーサー空港におけるハリケーンサンディによる気圧測定値の低下を調べるために，AirPressureDataを使用する：

WindSpeedDataを用いて，ジョン・F・ケネディ空港における夏季と冬季の風速を比較する：

イリノイ州シカゴの各月の初日の平均気温：

一様間隔の時系列を得るために再サンプリングする：

SARIMA過程をフィットする：

NuclearReactorDataを使ってチェルノブイリの原子炉のエネルギー生産を可視化する：

0.05秒間隔で10秒間の時系列を取得する：

移動平均とともに時系列をプロットする：

以下の時系列は，TinkerForge Weather Stationから照度データを0.1秒ごとに5秒間読み取り，その間デバイスの向きを連続的に変化させることによって生成したものである：

照度の値をプロットする：

Min，Mean， Max のデータに対する値：

周囲光源を交互にオンおよびオフに切り替えることによって，照度データを生成する：

時系列のプロットは，データのおおよその周期的性質を明らかにする：

Fourier を用いて周期性を検証する ：

MeanFilterを使って時系列にフィルタをかける：

次のデータは小規模のソフトウェア会社の11年間に渡る売上げを表している：

LinearModelFitを使って線形モデルをこのデータにフィットする：

もとのデータを，線形モデルを使って得られた値と一緒にプロットする：

重み0.45の指数平滑化をデータに適用する：

もとのデータを，指数平滑化を使って得られた値と一緒にプロットする：

1992年から2015年までの米国の小売りデータにパラメトリックモデルをフィットする：

TimeSeriesModelFitを使い，データについての時系列モデルを構築する：

このモデルを使って次の3ヶ月間を予測する：