时间存在的唯一价值就是证明所有事情都不曾发生过。

——阿尔伯特•爱因斯坦

在金融学中遇到的最重要数据类型之一是金融时间序列。这是以日期和/或时间作为索引的数据。例如，股价就表现为金融时间序列数据。类似地，美元-欧元汇率也是金融时间序列；汇率在短暂的时间间隔内报价，一组此类报价就是汇率的时间序列。

没有一种金融学科不将时间作为重要因素考虑，这和物理学及其他科学相同。Python中处理时间序列的主要工具是pandas库。pandas的主要作者Wes McKinney在大型对冲基金AQR资本管理公司任分析师时开始开发这个库。正如本章所阐述的，DataFrame和Series等基本类的灵感来自于统计分析语言R，该语言无疑长于这类建模和分析工作。

本章主要基于几个来自金融环境的例子。这些例子按照如下的步骤推进：

第一和第二步

我们使用非常简单和小型的数据集开始探索pandas的功能；然后使用NumPy ndarray对象并将其转换为DataFame对象。在此过程中，介绍基本的分析和可视化功能。

来自Web的数据

pandas允许我们方便地从Web上读取数据——例如从雅虎财经（http://finance. yahoo.com）——并以许多种方式分析这些数据。

使用来自CSV文件的数据

逗号分隔值（CSV）文件是交换金融时间序列数据的全球标准之一；pandas可以高效地从这些文件中读取数据。使用两种指数的数据，我们利用pandas实施一次回归分析。

高频数据

今年来，可用的金融时间序列数据越来越多地从每日报价转向分时数据。每日分时股价数据量通常超过30年间收集的每日报价数据量  。

按照定义，所有金融时间序列数据都包含日期和/或时间信息。附录C提供了用Python、NumPy和pandas处理这种数据的概述，以及如何将典型的日期-时间对象类型转换为另一种类型。