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を使って欠測値を置換する：

TimeSeriesRescaleを使って，0から20までになるように時系列を再スケールする：

TimeSeriesShiftを使って，時系列を前方に2シフトする：

時系列中の値を二乗する：

TimeSeriesMapを使ってベクトル値時系列の成分の合計を求める：

時系列のMeanを求める：

平均は値のみに依存する：

重み付きの平均を計算する：

時系列のMovingAverageを計算する：

MovingMapを使って，移動最大値を計算する：

TimeSeriesAggregateを使い，時系列についての週ごとの合計を計算する：

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，時系列中の次の10個の値を予測する：

時系列を予測とともにプロットする：

TimeSeriesThreadを使って，2つの時系列間の差を計算する：

Automaticのタイムスタンプが付いた値のリストを与える：

から始まる時系列を作る：

開始時に日付を使う：

日付は，AbsoluteTimeへの有効な任意の入力として与えることができる：

10から50までの等間隔に置かれた時点を使う：

使用する日付範囲を与える：

端点をAutomaticに指定する：

刻み幅2で1から20までの時点からなる時系列を作る：

端点をAutomaticとし，刻み幅を固定する：

計算された最終日を抽出する：

端点を Automaticとし，与えられた頻度を使う：

計算された初回を抽出する：

使用する時点を明示的に指定する：

日付の明示的なリストを与える：

時点と値のペアを与える：

日付と値のペアから時系列を作る：

数量を含むデータから時系列を作る：

使用可能な特性のリストを得る：

時系列に使われた値：

時点：

時点と値のペア：

時系列をプロットする：

時系列を関数として表す：

経路関数：

ベクトル値の集合の成分を抽出する：

第1成分：

第2成分を入手する：

経路成分をプロットする：

指定された時点集合についてデータをリサンプリングする：

刻み幅0.25でもとの経路をアップサンプリングする：

新しいデータは経路関数からサンプリングされている：

数量単位を含む時系列：

値はQuantityArrayとして与えられる：

数量単位の情報を抽出する：

数量を抽出する：

数値的でリスト可な関数は自動的に時系列の値に縫い込まれる：

TimeSeriesMapの結果と比較する：

同じタイムスタンプを持ついくつかの時系列を組み合せると値に縫い込まれる：

時系列は，その台の交点のタイムスタンプの和集合の部分でリサンプルされる：

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：

この結果をリサンプルされた時系列を加えた結果と比較する：

数量単位を含む既存の時系列から数量を含む新たな時系列を作る：

数量単位の新たな時系列を作る：

CalendarTypeを使い，タイムスタンプを特定の暦の日付として指定する：

デフォルトで，"Gregorian"暦が使われる：

入力の日付を「Gregorian」暦で指定し，「Jewish」暦で表示する：

DateListを使って曖昧な日付文字列を解釈する関数を定義する：

DateObjectを使って曖昧な日付文字列を解釈する関数を定義する：

入力のTimeZoneを指定する：

HolidayCalendarを使い，指定された国の営業日を可視化する：

追加的なメタ情報を規則のリストとして含める：

特性にメタ情報"Stock"が含まれるようになった：

加えられたメタ情報は，他の特性と同じように使うことができる：

MetaInformationを使ってPlotLegendsを指定する：

使用可能なMetaInformationを見る：

特定の情報に直接アクセスする：

データを可視化する：

MetaInformationを使ってベクトル値TimeSeriesの中の成分に名前を付ける：

第2成分を抽出する：

名前または番号を使って第1および第3成分を抽出する：

デフォルトで，頭部Missingを持つ値は欠測値として扱われる：

MissingDataMethodを使って欠測値を定数で置換する：

補間を使って欠測値を置換する：

デフォルトメソッドは一次補間である：

デフォルトで，中間時点の値は一次補間を使って計算される：

ResamplingMethodを使い，中間時点に一定の値を割り当てる：

0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：

TimeSeriesの時刻帯を指定する：

タイムスタンプは$TimeZoneで作られるが，日付はこのオプションで指定された時刻帯で表示される：

値の次元を指定する：

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：

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：

次の半年を予測する：

イリノイ州シカゴの各月1日の平均気温：

SARIMA過程をフィットする：

次の3年間について，各月1日の平均気温を予測する：

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：

AirPressureDataを使い，ロングアイランドの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の低下を調べる：

WindSpeedDataを使い，JFK空港の夏と冬の風速を比較する：

0.05秒間隔で10秒間の時系列を捉える：

この時系列を移動平均とともにプロットする：

次の時系列は，休みなくデバイスの方向を変えながら，TinkerForge Weather Stationから0.1秒ごとに5秒間，照度データを読んで生成したものである：

照度値をプロットする：

データのMin，Mean，Max：

アンビアント光源のオンオフを繰り返すことで，照度データを生成する：

この時系列のプロットは，データのほぼ周期的な性質を明らかにしている：

Fourierを使って周期性を証明する：

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：