高頻股價
高頻率的股價資料常可用 MA(1) 過程建模，因此非常適合套用本章的模型。
DataFrame intraday 包含 Sprint 股票（代號「S」）在 2017 年 9 月 1 日當天、每分鐘取樣的價格。股市開盤時間為 6.5 小時（390 分鐘），從上午 9:30 到下午 4:00。
在分析時間序列前，你需要先做一些清理工作，這會在本題與接下來兩題完成。當你查看前幾列時，會注意到幾件事。首先，沒有欄名。資料的時間標記不是從 9:30 到 4:00，而是從 0 到 390。你也會看到第一個日期是奇怪的「a1504272600」。字母「a」後面的數字是 Unix time，也就是自 1970 年 1 月 1 日以來的秒數。這個資料集以此方式區分每天的日內資料。
如果你查看資料型別，會發現 DATE 欄是 object，也就是字串。要在後續清理遺漏值前，必須先將它轉成數值。
每分鐘資料來源為 Google Finance（關於如何下載資料，請見此連結：here）。
datetime 模組已經為你匯入。
本練習屬於課程
Python 中的時間序列分析
練習說明
- 使用
.iloc[0,0]手動將第一個日期改為 0。 - 透過將
intraday.columns設為包含兩個字串的清單，將兩個欄名改為'DATE'與'CLOSE'。 - 使用 pandas 屬性
.dtypes（不加括號）來查看每個欄位的資料型別。 - 使用 pandas 函式
to_numeric()將'DATE'欄轉換為數值型別。 - 使用 pandas 方法
.set_index()，把'DATE'欄設為intraday的新索引；該方法的引數是字串'DATE'（傳入欄位名稱，而不是整個欄位）。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# import datetime module
import datetime
# Change the first date to zero
intraday.___ = 0
# Change the column headers to 'DATE' and 'CLOSE'
intraday.columns = ___
# Examine the data types for each column
print(intraday.dtypes)
# Convert DATE column to numeric
intraday['DATE'] = pd.to_numeric(____)
# Make the `DATE` column the new index
intraday = ____