时间序列数据是随时间按顺序收集的特定类型的数据，允许分析趋势、模式和行为。时间序列数据的主要区别特征是观测值按时间排序，这意味着每个数据点的时序至关重要。例如，每小时或每天收集的股票价格，每小时获取的温度读数或每分钟记录的网站流量都可以作为时间序列数据。这种时间排序使开发人员能够执行考虑时间间隔之间关系的分析，这在其他数据类型中通常是不可用的。
相比之下，其他数据类型，例如分类或横截面数据，则没有这种固有的时间成分。分类数据可以通过不同的组或类别来识别，例如颜色 (红色，蓝色，绿色) 或车辆类型 (汽车，卡车，摩托车)，其中顺序无关紧要。另一方面，横截面数据是指在单个时间点收集的观察结果，例如，某一时刻来自不同用户的调查响应。这些类型的数据主要关注实体之间的差异，并不关注随时间的变化，这使得它们的分析从根本上不同于涉及时间序列数据的分析。
这些差异的含义对于使用数据的开发人员来说意义重大。时间序列分析通常需要专门的技术，例如自相关分析，季节分解和预测方法，这些技术考虑了数据中的时间依赖性。例如，如果开发人员正在构建一个模型来预测未来的股票价格，他们将使用时间序列技术来分析过去的价格变动和趋势。相反，如果他们在不考虑时间的情况下分析分布在不同人口群体中的客户偏好，那么像回归这样的标准统计方法可能就足够了。了解这些差异有助于开发人员为其数据分析任务选择正确的工具和方法。