Summary  
This chapter covers how to represent, manipulate, and analyze time-indexed data in Python using pandas DataFrame/Series along with libraries for modeling, forecasting, and detecting patterns in sequential data.

General domain of usage  
Financial forecasting

Eine **Zeitreihe** ist eine Folge von Datenpunkten, die in regelmäßigen Abständen gesammelt werden, von einfachen Skalarwerten wie Temperatur oder Aktienkursen bis hin zu komplexen mehrdimensionalen Daten wie Sensormessungen oder Bildern. Sie ist in verschiedenen Bereichen wie Finanzen, Wirtschaft und Wissenschaft von entscheidender Bedeutung.

In Python werden Zeitreihendaten häufig mit `pandas` DataFrame oder Series-Objekten verarbeitet, die vielseitige Strukturen für Manipulation und Analyse bieten. `Pandas` bietet eine Vielzahl von Funktionen und Methoden für effektive Datenmanipulation und -visualisierung.

Zeitreihendaten sind entscheidend für das Verfolgen von Variablentrends über die Zeit und die Vorhersage zukünftiger Werte basierend auf historischen Daten. Sie werden für Prognosen, Anomalieerkennung, Trend- und Saisonalitätsanalysen sowie Rauschunterdrückung verwendet.

Python-Bibliotheken wie `statsmodels`, `prophet` und `scikit-learn` bieten Werkzeuge für die Zeitreihenanalyse, einschließlich statistischer Modelle, Visualisierung und maschineller Lernalgorithmen.


Zusammenfassend lässt sich sagen, dass Zeitreihendaten in vielen Bereichen wichtig sind und Python leistungsstarke Werkzeuge für die Arbeit mit dieser Art von Daten bietet, indem es Bibliotheken wie `pandas`, `statsmodels`, `prophet` und `scikit-learn` verwendet.

In diesem Projekt werden wir verstehen, was eine Zeitreihe ist und welche ihre Hauptmerkmale sind.