利用Python进行数据分析第二版复现（十）

作者: 一行白鹭上青天 | 来源:发表于2020-02-05 19:04 被阅读0次

第11章时间序列

时间序列数据主要有：时间戳、固定时间、时间间隔以及实验或过程时间。

11.1 日期和时间数据类型及工具

一般使用datetime.datetime数据类型。

from datetime import datetime
now= datetime.now()
print(now)
print(now.year,now.month,now.day)
#datetime是用毫秒的方式存储时间的

2020-02-05 11:59:28.917677
2020 2 5

delta = datetime(2011, 1, 7) - datetime(2008, 6, 24, 8, 15)

print(delta.days)
print('\n')
print(delta.seconds)

print('\n')
print(delta)#delta是一个timedelta对象，表示两个datetime对象之间的时间差。

926


56700


926 days, 15:45:00

可以给datetime加上或减去一个或者多个timedelta。

from datetime import timedelta
start = datetime(2011, 1, 7)
start + timedelta(12)
start - 2 * timedelta(12)

datetime.datetime(2010, 12, 14, 0, 0)

在这里插入图片描述

字符串和datetime的相互转换

利用str或strftime方法可以将datetime对象和pandas的timestamp对象转化挖诶字符串。

在这里插入图片描述

datetime的strftime方法可以对把上述格式的编码字符串转换为日期。

stamp = datetime(2011, 1, 3)
print(str(stamp))
print(stamp.strftime('%Y-%m-%d'))

2011-01-03 00:00:00
2011-01-03

value = '2011-01-03'
datetime.strptime(value, '%Y-%m-%d')
datestrs = ['7/6/2011', '8/6/2011']
print([datetime.strptime(x, '%m/%d/%Y') for x in datestrs])

[datetime.datetime(2011, 7, 6, 0, 0), datetime.datetime(2011, 8, 6, 0, 0)]

对于常用的日期格式，可以用dateutil这个第三方包中的parser.parse方法。

from dateutil.parser import parse
parse('2011-01-03')
parse('Jan 31, 1997 10:45 PM')

datetime.datetime(1997, 1, 31, 22, 45)

#日出现在月的前面很普遍，传入dayfirst=True即可解决这个问题：
parse('6/12/2011', dayfirst=True)

datetime.datetime(2011, 12, 6, 0, 0)

import pandas as pd
#to_datetime方法可以解析多种不同的日期表示形式
datestrs = ['2011-07-06 12:00:00', '2011-08-06 00:00:00']
pd.to_datetime(datestrs)

DatetimeIndex(['2011-07-06 12:00:00', '2011-08-06 00:00:00'], dtype='datetime64[ns]', freq=None)

特定于当前环境的日期格式。

在这里插入图片描述

11.2 时间序列基础

from datetime import datetime
import numpy as np
dates = [datetime(2011, 1, 2), datetime(2011, 1, 5),
         datetime(2011, 1, 7), datetime(2011, 1, 8),
         datetime(2011, 1, 10), datetime(2011, 1, 12)]
ts = pd.Series(np.random.randn(6), index=dates)
print(ts)

2011-01-02   -1.716667
2011-01-05   -1.539430
2011-01-07   -1.207904
2011-01-08   -2.273456
2011-01-10    0.205142
2011-01-12    0.316390
dtype: float64

ts.index

DatetimeIndex(['2011-01-02', '2011-01-05', '2011-01-07', '2011-01-08',
               '2011-01-10', '2011-01-12'],
              dtype='datetime64[ns]', freq=None)

ts + ts[::2]

2011-01-02   -3.433335
2011-01-05         NaN
2011-01-07   -2.415809
2011-01-08         NaN
2011-01-10    0.410284
2011-01-12         NaN
dtype: float64

ts.index.dtype

dtype('<M8[ns]')

stamp = ts.index[0]

stamp

Timestamp('2011-01-02 00:00:00')

索引、选取、子集构造

stamp = ts.index[2]
ts[stamp]

-1.2079043608040851

#还可以传入可以被解释成日期的字符串，通过这样的方式，也可以索引数据。
ts['1/10/2011']

0.2051420361141498

#对于长序列，只需要传入“年”或者“年月”即可轻松选取数据的切片。
longer_ts = pd.Series(np.random.randn(1000),
                      index=pd.date_range('1/1/2000', periods=1000))
print(longer_ts['2001'])#选择年
print('\n')
print(longer_ts['2001-05'])#选择年月

2001-01-01    0.338687
2001-01-02   -1.073274
2001-01-03    0.637883
2001-01-04    0.309464
2001-01-05    0.692688
                ...   
2001-12-27    0.264949
2001-12-28    0.881644
2001-12-29   -2.017786
2001-12-30    0.003661
2001-12-31   -0.060487
Freq: D, Length: 365, dtype: float64


2001-05-01    0.936911
2001-05-02    1.060100
2001-05-03    0.044787
2001-05-04   -0.780111
2001-05-05   -2.865649
2001-05-06   -1.078818
2001-05-07   -1.159225
2001-05-08   -0.327021
2001-05-09   -0.410140
2001-05-10   -0.851768
2001-05-11    0.519780
2001-05-12   -0.236362
2001-05-13    2.319194
2001-05-14   -1.141007
2001-05-15   -0.348985
2001-05-16   -0.118603
2001-05-17   -0.049692
2001-05-18   -0.210484
2001-05-19    0.804600
2001-05-20   -0.697858
2001-05-21   -0.275231
2001-05-22    1.777904
2001-05-23    1.053514
2001-05-24   -2.172931
2001-05-25    0.509915
2001-05-26    0.926985
2001-05-27    1.499682
2001-05-28    0.007916
2001-05-29    1.339204
2001-05-30    1.239413
2001-05-31   -1.425689
Freq: D, dtype: float64

#datetime对象也可以切片.方式是通过将时间作为索引。
ts[datetime(2011, 1, 7):]

2011-01-07   -1.207904
2011-01-08   -2.273456
2011-01-10    0.205142
2011-01-12    0.316390
dtype: float64

ts['1/6/2011':'1/11/2011']

2011-01-07   -1.207904
2011-01-08   -2.273456
2011-01-10    0.205142
dtype: float64

带有重复索引的时间序列

dates = pd.DatetimeIndex(['1/1/2000', '1/2/2000', '1/2/2000',
                          '1/2/2000', '1/3/2000'])
dup_ts = pd.Series(np.arange(5), index=dates)
print(dup_ts)

2000-01-01    0
2000-01-02    1
2000-01-02    2
2000-01-02    3
2000-01-03    4
dtype: int32

#通过is_unique属性，可以判断时间序列数据的索引是不是唯一的
dup_ts.index.is_unique

False

#如果要对非唯一的时间戳的数据进行聚合，可以使用groupby，对level设置为0.
grouped = dup_ts.groupby(level=0)
print(grouped.mean())
print('\n')
print(grouped.count())

2000-01-01    0
2000-01-02    2
2000-01-03    4
dtype: int32


2000-01-01    1
2000-01-02    3
2000-01-03    1
dtype: int64

11.3 日期的范围、频率以及移动

可以将之前那个时间序列转换为1个具有固定频率（每天）的时间序列，只需调用resample即可。

ts

2011-01-02   -1.716667
2011-01-05   -1.539430
2011-01-07   -1.207904
2011-01-08   -2.273456
2011-01-10    0.205142
2011-01-12    0.316390
dtype: float64

resampler = ts.resample('D')#D为每天的意思

生成日期范围

date_range可以生成时间范围。

index = pd.date_range('2012-04-01', '2012-06-01')
print(index)

DatetimeIndex(['2012-04-01', '2012-04-02', '2012-04-03', '2012-04-04',
               '2012-04-05', '2012-04-06', '2012-04-07', '2012-04-08',
               '2012-04-09', '2012-04-10', '2012-04-11', '2012-04-12',
               '2012-04-13', '2012-04-14', '2012-04-15', '2012-04-16',
               '2012-04-17', '2012-04-18', '2012-04-19', '2012-04-20',
               '2012-04-21', '2012-04-22', '2012-04-23', '2012-04-24',
               '2012-04-25', '2012-04-26', '2012-04-27', '2012-04-28',
               '2012-04-29', '2012-04-30', '2012-05-01', '2012-05-02',
               '2012-05-03', '2012-05-04', '2012-05-05', '2012-05-06',
               '2012-05-07', '2012-05-08', '2012-05-09', '2012-05-10',
               '2012-05-11', '2012-05-12', '2012-05-13', '2012-05-14',
               '2012-05-15', '2012-05-16', '2012-05-17', '2012-05-18',
               '2012-05-19', '2012-05-20', '2012-05-21', '2012-05-22',
               '2012-05-23', '2012-05-24', '2012-05-25', '2012-05-26',
               '2012-05-27', '2012-05-28', '2012-05-29', '2012-05-30',
               '2012-05-31', '2012-06-01'],
              dtype='datetime64[ns]', freq='D')

#此外还可以传入时间结束或者开始点
print(pd.date_range(start='2012-04-01', periods=20))
print('\n')
print(pd.date_range(end='2012-06-01', periods=20))

DatetimeIndex(['2012-04-01', '2012-04-02', '2012-04-03', '2012-04-04',
               '2012-04-05', '2012-04-06', '2012-04-07', '2012-04-08',
               '2012-04-09', '2012-04-10', '2012-04-11', '2012-04-12',
               '2012-04-13', '2012-04-14', '2012-04-15', '2012-04-16',
               '2012-04-17', '2012-04-18', '2012-04-19', '2012-04-20'],
              dtype='datetime64[ns]', freq='D')


DatetimeIndex(['2012-05-13', '2012-05-14', '2012-05-15', '2012-05-16',
               '2012-05-17', '2012-05-18', '2012-05-19', '2012-05-20',
               '2012-05-21', '2012-05-22', '2012-05-23', '2012-05-24',
               '2012-05-25', '2012-05-26', '2012-05-27', '2012-05-28',
               '2012-05-29', '2012-05-30', '2012-05-31', '2012-06-01'],
              dtype='datetime64[ns]', freq='D')

按着时间频率进行时间序列的排列

基本的时间序列函数有：

在这里插入图片描述

pd.date_range('2000-01-01', '2000-12-01', freq='BM')
#BM表示每月最后一个工作日

DatetimeIndex(['2000-01-31', '2000-02-29', '2000-03-31', '2000-04-28',
               '2000-05-31', '2000-06-30', '2000-07-31', '2000-08-31',
               '2000-09-29', '2000-10-31', '2000-11-30'],
              dtype='datetime64[ns]', freq='BM')

频率和日期偏移量

按着某个频率进行时间上的选取。
相关的选择参数：

在这里插入图片描述

from pandas.tseries.offsets import Hour, Minute


pd.date_range('2000-01-01', '2000-01-03 23:59', freq='4h')
#4个小时选择一次数据

DatetimeIndex(['2000-01-01 00:00:00', '2000-01-01 04:00:00',
               '2000-01-01 08:00:00', '2000-01-01 12:00:00',
               '2000-01-01 16:00:00', '2000-01-01 20:00:00',
               '2000-01-02 00:00:00', '2000-01-02 04:00:00',
               '2000-01-02 08:00:00', '2000-01-02 12:00:00',
               '2000-01-02 16:00:00', '2000-01-02 20:00:00',
               '2000-01-03 00:00:00', '2000-01-03 04:00:00',
               '2000-01-03 08:00:00', '2000-01-03 12:00:00',
               '2000-01-03 16:00:00', '2000-01-03 20:00:00'],
              dtype='datetime64[ns]', freq='4H')

pd.date_range('2000-01-01', periods=10, freq='1h30min')
#每隔1小时30分钟进行数据提取

DatetimeIndex(['2000-01-01 00:00:00', '2000-01-01 01:30:00',
               '2000-01-01 03:00:00', '2000-01-01 04:30:00',
               '2000-01-01 06:00:00', '2000-01-01 07:30:00',
               '2000-01-01 09:00:00', '2000-01-01 10:30:00',
               '2000-01-01 12:00:00', '2000-01-01 13:30:00'],
              dtype='datetime64[ns]', freq='90T')

WOM日期

wom是week of month。
'WOM-3FRI'表示每个月第三个星期五。

移动（超前和滞后）数据

Series和DataFrame都有1个shift方法用于执行单纯的前移或后移操作，保持索引不变。

ts = pd.Series(np.random.randn(4),
               index=pd.date_range('1/1/2000', periods=4, freq='M'))
print(ts)
print('\n')
print(ts.shift(2))
print('\n')
print(ts.shift(-2))

2000-01-31   -0.293180
2000-02-29   -0.593455
2000-03-31   -0.446006
2000-04-30   -0.811115
Freq: M, dtype: float64


2000-01-31         NaN
2000-02-29         NaN
2000-03-31   -0.293180
2000-04-30   -0.593455
Freq: M, dtype: float64


2000-01-31   -0.446006
2000-02-29   -0.811115
2000-03-31         NaN
2000-04-30         NaN
Freq: M, dtype: float64

ts / ts.shift(1) - 1
#可以表示一个时间序列或者多个时间序列中的百分比变化

2000-01-31         NaN
2000-02-29    1.024202
2000-03-31   -0.248458
2000-04-30    0.818619
Freq: M, dtype: float64

通过偏移量对日期进行位移

from pandas.tseries.offsets import Day, MonthEnd
now = datetime(2011, 11, 17)
now + 3 * Day()

Timestamp('2011-11-20 00:00:00')

now + MonthEnd()#时间会到now时间表示的这个月底

Timestamp('2011-11-30 00:00:00')

11.4 时区处理

import pytz
pytz.common_timezones[-5:]

['US/Eastern', 'US/Hawaii', 'US/Mountain', 'US/Pacific', 'UTC']

时区本地化和转换

rng = pd.date_range('3/9/2012 9:30', periods=6, freq='D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print(ts)

2012-03-09 09:30:00   -0.736406
2012-03-10 09:30:00   -1.689875
2012-03-11 09:30:00    1.190183
2012-03-12 09:30:00    0.674204
2012-03-13 09:30:00    0.373736
2012-03-14 09:30:00    0.471685
Freq: D, dtype: float64

pd.date_range('3/9/2012 9:30', periods=10, freq='D', tz='UTC')

DatetimeIndex(['2012-03-09 09:30:00+00:00', '2012-03-10 09:30:00+00:00',
               '2012-03-11 09:30:00+00:00', '2012-03-12 09:30:00+00:00',
               '2012-03-13 09:30:00+00:00', '2012-03-14 09:30:00+00:00',
               '2012-03-15 09:30:00+00:00', '2012-03-16 09:30:00+00:00',
               '2012-03-17 09:30:00+00:00', '2012-03-18 09:30:00+00:00'],
              dtype='datetime64[ns, UTC]', freq='D')

#通过tz_localize方法处理时间的本地化转换
ts_utc = ts.tz_localize('UTC')

#当时间转换到某个特定时区后，可以用tz_convent将其转换到其他时区中。
ts_utc.tz_convert('America/New_York')

2012-03-09 04:30:00-05:00   -0.736406
2012-03-10 04:30:00-05:00   -1.689875
2012-03-11 05:30:00-04:00    1.190183
2012-03-12 05:30:00-04:00    0.674204
2012-03-13 05:30:00-04:00    0.373736
2012-03-14 05:30:00-04:00    0.471685
Freq: D, dtype: float64

11.5 时期及其算术

时期的频率转换

Period和PeriodIndex对象都可以通过其asfreq方法被转换成别的频率.

p = pd.Period(2007, freq='A-DEC')
p+5

Period('2012', 'A-DEC')

p.asfreq('M', how='start')#转换为月的数据

Period('2007-01', 'M')

p.asfreq('M', how='end')

Period('2007-12', 'M')

rng = pd.period_range('2006', '2009', freq='A-DEC')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
ts.asfreq('M', how='start')

2006-01    0.295788
2007-01    1.363306
2008-01    1.014115
2009-01   -0.556755
Freq: M, dtype: float64

按季度计算的时期频率

p = pd.Period('2012Q4', freq='Q-JAN')
#注意不同的freq参数，最后确定的数据也是不一样的
p.asfreq('D', 'start')

Period('2011-11-01', 'D')

rng = pd.period_range('2011Q3', '2012Q4', freq='Q-JAN')
ts = pd.Series(np.arange(len(rng)), index=rng)
print(ts)

2011Q3    0
2011Q4    1
2012Q1    2
2012Q2    3
2012Q3    4
2012Q4    5
Freq: Q-JAN, dtype: int32

将Timestamp转换为Period（及其反向过程）

rng = pd.date_range('2000-01-01', periods=3, freq='M')
ts = pd.Series(np.random.randn(3), index=rng)
pts = ts.to_period()
print(ts)
print('\n')
print(pts)

2000-01-31    1.730324
2000-02-29    0.947510
2000-03-31    1.073048
Freq: M, dtype: float64


2000-01    1.730324
2000-02    0.947510
2000-03    1.073048
Freq: M, dtype: float64

通过数组创建PeriodIndex

data = pd.read_csv('examples/macrodata.csv')

print(data.head(5))

     year  quarter   realgdp  realcons  realinv  realgovt  realdpi    cpi  \
0  1959.0      1.0  2710.349    1707.4  286.898   470.045   1886.9  28.98   
1  1959.0      2.0  2778.801    1733.7  310.859   481.301   1919.7  29.15   
2  1959.0      3.0  2775.488    1751.8  289.226   491.260   1916.4  29.35   
3  1959.0      4.0  2785.204    1753.7  299.356   484.052   1931.3  29.37   
4  1960.0      1.0  2847.699    1770.5  331.722   462.199   1955.5  29.54   

      m1  tbilrate  unemp      pop  infl  realint  
0  139.7      2.82    5.8  177.146  0.00     0.00  
1  141.7      3.08    5.1  177.830  2.34     0.74  
2  140.5      3.82    5.3  178.657  2.74     1.09  
3  140.0      4.33    5.6  179.386  0.27     4.06  
4  139.6      3.50    5.2  180.007  2.31     1.19

print(data.year)

0      1959.0
1      1959.0
2      1959.0
3      1959.0
4      1960.0
        ...  
198    2008.0
199    2008.0
200    2009.0
201    2009.0
202    2009.0
Name: year, Length: 203, dtype: float64

index = pd.PeriodIndex(year=data.year, quarter=data.quarter,
                       freq='Q-DEC')
data.index = index
print(data.infl)

1959Q1    0.00
1959Q2    2.34
1959Q3    2.74
1959Q4    0.27
1960Q1    2.31
          ... 
2008Q3   -3.16
2008Q4   -8.79
2009Q1    0.94
2009Q2    3.37
2009Q3    3.56
Freq: Q-DEC, Name: infl, Length: 203, dtype: float64

11.6 重采样及频率转换

高频到低频是降采样，低频到高频是升采样。

在这里插入图片描述

rng = pd.date_range('2000-01-01', periods=100, freq='D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print(ts)

2000-01-01   -2.036950
2000-01-02    0.196854
2000-01-03    0.191711
2000-01-04    1.131291
2000-01-05    0.225399
                ...   
2000-04-05    0.191335
2000-04-06   -1.054301
2000-04-07    0.571078
2000-04-08    0.314156
2000-04-09   -0.375186
Freq: D, Length: 100, dtype: float64

ts.resample('M').mean()

2000-01-31    0.071255
2000-02-29   -0.007097
2000-03-31    0.019090
2000-04-30    0.266123
Freq: M, dtype: float64

#降采样
rng = pd.date_range('2000-01-01', periods=12, freq='T')
ts = pd.Series(np.arange(12), index=rng)
print(ts)

2000-01-01 00:00:00     0
2000-01-01 00:01:00     1
2000-01-01 00:02:00     2
2000-01-01 00:03:00     3
2000-01-01 00:04:00     4
2000-01-01 00:05:00     5
2000-01-01 00:06:00     6
2000-01-01 00:07:00     7
2000-01-01 00:08:00     8
2000-01-01 00:09:00     9
2000-01-01 00:10:00    10
2000-01-01 00:11:00    11
Freq: T, dtype: int32

ts.resample('5min', closed='right').sum()
#默认情况下，面元的右边界是包含的，因此00:00到00:05的区间中是包含00:05的。

1999-12-31 23:55:00     0
2000-01-01 00:00:00    15
2000-01-01 00:05:00    40
2000-01-01 00:10:00    11
Freq: 5T, dtype: int32

OHLC重采样

第一个值、最后一个值、最大值、最小值。传入how='chlc'即可。

print(ts.resample('5min').ohlc())

                     open  high  low  close
2000-01-01 00:00:00     0     4    0      4
2000-01-01 00:05:00     5     9    5      9
2000-01-01 00:10:00    10    11   10     11

升采样和插值

frame = pd.DataFrame(np.random.randn(2, 4),
                     index=pd.date_range('1/1/2000', periods=2,
                                         freq='W-WED'),
                     columns=['Colorado', 'Texas', 'New York', 'Ohio'])
df_daily = frame.resample('D').asfreq()
print(df_daily)

            Colorado     Texas  New York      Ohio
2000-01-05 -0.141497 -0.299701  0.374013 -1.185863
2000-01-06       NaN       NaN       NaN       NaN
2000-01-07       NaN       NaN       NaN       NaN
2000-01-08       NaN       NaN       NaN       NaN
2000-01-09       NaN       NaN       NaN       NaN
2000-01-10       NaN       NaN       NaN       NaN
2000-01-11       NaN       NaN       NaN       NaN
2000-01-12  0.396594 -0.509955  1.038497  2.786482

11.7 移动窗口函数

import matplotlib.pyplot as plt
close_px_all = pd.read_csv('examples/stock_px_2.csv',
                           parse_dates=True, index_col=0)
close_px = close_px_all[['AAPL', 'MSFT', 'XOM']]
close_px = close_px.resample('B').ffill()
close_px.AAPL.plot()
close_px.AAPL.rolling(250).mean().plot()

<matplotlib.axes._subplots.AxesSubplot at 0x92ce330>

appl_std250 = close_px.AAPL.rolling(250, min_periods=10).std()
appl_std250.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x937d6f0>

在这里插入图片描述

指数加权函数

aapl_px = close_px.AAPL['2006':'2007']
ma60 = aapl_px.rolling(30, min_periods=20).mean()
ewma60 = aapl_px.ewm(span=30).mean()
ma60.plot(style='k--', label='Simple MA')
ewma60.plot(style='k-', label='EW MA')

<matplotlib.axes._subplots.AxesSubplot at 0x95491f0>

在这里插入图片描述

说明：

放上参考链接，复现的这个链接中的内容。

放上原链接： https://www.jianshu.com/p/04d180d90a3f

作者在链接中放上了书籍，以及相关资源。因为平时杂七杂八的也学了一些，所以这次可能是对书中的部分内容的复现。也可能有我自己想到的内容，内容暂时都还不定。在此感谢原简书作者SeanCheney的分享

利用Python进行数据分析第二版复现（十）

第11章时间序列

11.1 日期和时间数据类型及工具

字符串和datetime的相互转换

11.2 时间序列基础

索引、选取、子集构造

带有重复索引的时间序列

11.3 日期的范围、频率以及移动

生成日期范围

按着时间频率进行时间序列的排列

频率和日期偏移量

WOM日期

移动（超前和滞后）数据

通过偏移量对日期进行位移

11.4 时区处理

时区本地化和转换

11.5 时期及其算术

时期的频率转换

按季度计算的时期频率

将Timestamp转换为Period（及其反向过程）

通过数组创建PeriodIndex

11.6 重采样及频率转换

OHLC重采样

升采样和插值

11.7 移动窗口函数

指数加权函数

放上原链接： https://www.jianshu.com/p/04d180d90a3f

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

呆鸟的Python数据分析

利用Python进行数据分析第二版复现（十）

第11章 时间序列

11.1 日期和时间数据类型及工具

字符串和datetime的相互转换

11.2 时间序列基础

索引、选取、子集构造

带有重复索引的时间序列

11.3 日期的范围、频率以及移动

生成日期范围

按着时间频率进行时间序列的排列

频率和日期偏移量

WOM日期

移动（超前和滞后）数据

通过偏移量对日期进行位移

11.4 时区处理

时区本地化和转换

11.5 时期及其算术

时期的频率转换

按季度计算的时期频率

将Timestamp转换为Period（及其反向过程）

通过数组创建PeriodIndex

11.6 重采样及频率转换

OHLC重采样

升采样和插值

11.7 移动窗口函数

指数加权函数

放上原链接： https://www.jianshu.com/p/04d180d90a3f

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

呆鸟的Python数据分析

第11章时间序列