从时间-数值对创建时间序列：

从值和时间创建时间序列：

指定值分量的键：

使用选项指定值键：

使用迭代器指定时间戳：

多变量值：

创建一个具有 Automatic 时间戳的时间序列：

默认时间戳为非负整数：

提取值：

选择单个值分量：

单值分量表格：

选择多个值分量：

由于 Tabular 对象中的键必须唯一，重复的分量将被丢弃：

创建一个值以 Tabular 对象给出的时间序列：

提取时间戳：

获取时间戳的类型信息：

提取给定时间窗口的子时间序列：

将时间序列绘制为时间的函数：

给出显式的分量键：

使用转换为 Tabular 的方式显示数据：

当给出的列表不完整时，分量键会自动添加：

通过给出 {} 生成所有分量键：

分量键参数的 Automatic 值会保留输入键：

当给出分量键时，它们会覆盖输入键：

当分量键值为 None 时，输出时间序列是简单形式，不含显式分量：

当没有输入键时，Automatic 值将保留简单的分量输入：

数值、可列表函数自动作用于时间序列的值上：

与 TimeSeriesMap 的结果进行比较：

求时间序列的均值 Mean：

均值仅取决于数值：

计算按时间戳分布加权的加权均值：

将多个具有相同时间戳的时间序列组合，会作用于值上：

时间序列在其支撑集交集的时间戳并集处进行重采样：

支撑集的交集为 ，其中时间戳的并集为 ：

将结果与重采样后的时间序列相加进行比较：

从涉及量的现有时间序列创建一个新的量级时间序列：

计算两个时间序列的差：

与使用 TimeSeriesThread 的计算进行比较：

可视化时间序列：

使用 TimeSeriesWindow 提取时间序列的一部分：

使用 TimeSeriesInsert 替换缺失值：

使用 TimeSeriesShift 将该序列向前移动 2：

使用 TimeSeriesRescale 来拉伸时间序列：

使用 TimeSeriesMap 来求取向量值时间序列各分量的总和：

为时间序列计算 MovingAverage：

使用 MovingMap 计算时间序列的移动最大值：

使用 TimeSeriesAggregate 计算时间序列的每周总计：

创建一个按 2 的幂次采样的时间序列：

以步长 2 对原始路径进行上采样：

新数据是从路径函数中采样的：

使用 TimeSeriesModelFit 将参数模型拟合到时间序列：

使用 TimeSeriesForecast 预测时间序列的下 10 个值：

绘制时间序列及其预测：

默认情况下，没有显式日历规范的日期被解释为 "Gregorian"：

使用 CalendarTypecal 将把这些 "Gregorian" 日期更改为日历 cal：

使用 "Julian" 日历构造一个时间序列：

将这些日期转换为 "Islamic" 日历：

当给出不同历法的日期时，它们会被转换为同一种历法：

使用 CalendarType 选项可转换为特定历法：

默认情况下，没有显式分量的数据产生一个简单的时间序列：

使用转换为 Tabular 的方式显示数据：

构造一个时间序列，其分量键为 "a" 和 "b"：

默认情况下，日期粒度从输入时间戳推断：

使用 DateFunction 以选择不同的粒度：

取一个具有歧义日期的日期-数值对列表：

指定年-月-日解释：

指定替代的年-日-月解释：

指定 TimeSeries 的日期粒度：

要求更细的日期粒度将实例化时间戳的开始时刻：

指定与工作日一起使用的假期日历：

在墨西哥七月四日不是假期：

联邦工作日可能与证券交易所不同：

使用 HolidayCalendar 可视化给定国家/地区的工作日：

默认情况下，TimeSeries 使用线性顺序在时间戳之间插值：

指定二次插值：

默认情况下，TimeSeries 会对重复时间戳取平均值：

取对应值的总和：

包括额外元信息：

提取元信息：

现在属性中包含元信息 "Stock"：

添加的元信息可以像其他任何属性一样使用：

取一个带有缺失值的时间序列：

使用 MissingDataMethod 用非缺失值的平均值替换缺失值：

使用线性插值替换缺失值：

指定插值阶数：

默认情况下，TimeSeries 中间时刻的值使用线性插值来计算：

使用二阶插值：

明确地假设时间数据是规则间隔的：

默认情况下，时间观测窗口从时间戳范围推断：

指定不同的时间观测窗口：

指定 TimeSeries 的时区：

日期字符串时间戳即使指定了 TimeZone，也假定是以 $TimeZone 给出的：

TimeZone 选项影响时间戳但不影响数值，即使数值也是日期：

使用 SunPosition 产生一定日期范围内芝加哥的太阳位置：

绘制这个时期内的方位角和海拔高度变化：

使用 MoonPosition 产生一定日期范围内月亮的位置：

验证月球的轨道是倾斜于地球赤道：

伊利诺伊州尚佩恩市 2015 年每天的日照时数：

查找每天的平均日照长度：

每天日照长度的变化（分钟）：

使用 CountryData 产生英国和德国的国内生产总值：

比较这两个国家的国内生产总值：

预测股票价格：

拟合一个 ARIMA 过程：

预测下半年：

用 AirPressureData 检查在长岛麦克阿瑟机场的因飓风桑迪引起的压力读数下降：

用 WindSpeedData 比较在约翰·肯尼迪国际机场的夏天与冬天的风速：

伊利诺伊州芝加哥市每月第一天的平均气温：

重采样以获得均匀间隔的时间序列：

拟合 SARIMA 过程：

用 NuclearReactorData 可视化切尔诺贝利反应堆的能量生产：

捕捉一个以0.05秒为间隔的10秒的时间序列：

沿着移动平均绘制时间序列：

以下时间序列是通过从一个 TinkerForge 气象站 读取照度数据（每0.1秒一次，持续5秒，期间不停改变设备方向）而生成的：

绘制照度值：

数据的 Min，Mean 以及 Max：

通过轮流打开和关上环境光源来产生照度数据：

时间序列图显示了数据的近似周期性：

用 Fourier 验证周期性：

用 MeanFilter 过滤时间序列：

以下数据代表一个小软件公司11年的年销售量：

用 LinearModelFit 对数据拟和一个线性模型：

对原始数据连同用线性模型得到的值进行绘图：

对数据进行权重为0.45的指数平滑处理：

绘制原始数据以及用指数平滑处理后的数值：

对美国1992至2015年的零售销售数据拟和一个参数模型：

用 TimeSeriesModelFit 对数据建一个时间序列模型：

用这个模型预测未来三个月的情况：