NumPy缺乏特定的特定于域的功能可能是由于Core Team的纪律和对NumPy主要指令的保真度：提供N维数组类型，以及创建和索引这些数组的函数。像许多基本目标一样，这个目标并不小，NumPy非常出色。
(更大)的SciPy包含更大的域特定库集合(SciPy开发人员称为子包) - 例如，数值优化(优化)，信号处理(信号)和积分微积分(积分)。
我的猜测是你所追求的功能至少在一个SciPy子包中(或许是scipy.signal); 然而，我会先看看SciPy scikits的集合，找出相关的scikit(s)并寻找那里感兴趣的功能。
Scikits是基于NumPy / SciPy独立开发的软件包，并针对特定的技术学科(例如，scikits-image，scikits-learn等)。其中一些(特别是用于数值优化的令人敬畏的OpenOpt)受到高度重视，成熟的项目早在选择居住在相对较新的scikits标题之前。该Scikits主页喜欢约30个这样的上述清单scikits，但至少数那些正在积极发展不再。
遵循这个建议会引导你到scikits-timeseries ; 但是，这个包裹不再处于积极发展之中; 实际上，Pandas已成为AFAIK，事实上 基于NumPy的时间序列库。
熊猫有几个可用于计算移动平均值的函数; 其中最简单的可能就是rolling_mean，你可以这样使用：
>>> # the recommended syntax to import pandas
>>> import pandas as PD
>>> import numpy as NP
>>> # prepare some fake data:
>>> # the date-time indices:
>>> t = PD.date_range('1/1/', '12/31/', freq='D')
>>> # the data:
>>> x = NP.arange(0, t.shape[0])
>>> # combine the data & index into a Pandas 'Series' object
>>> D = PD.Series(x, t)
现在，只需调用函数rolling_mean传递Series对象和窗口大小，在下面的示例中为10天。
>>> d_mva = PD.rolling_mean(D, 10)
>>> # d_mva is the same size as the original Series
>>> d_mva.shape
(1096,)
>>> # though obviously the first w values are NaN where w is the window size
>>> d_mva[:3]
-01-01 NaN
-01-02 NaN
-01-03 NaN
验证它是否有效 - 例如，比较原始系列中的值10 - 15与使用滚动平均值平滑的新系列
>>> D[10:15]
-01-11 2.041076
-01-12 2.041076
-01-13 2.720585
-01-14 2.720585
-01-15 3.656987
Freq: D
>>> d_mva[10:20]
-01-11 3.131125
-01-12 3.035232
-01-13 2.923144
-01-14 2.811055
-01-15 2.785824
Freq: D
Rolling_mean函数以及大约十几个其他函数在Rubric 移动窗口函数下的Pandas文档中非正式地分组; Pandas中第二个相关的函数组称为指数加权函数(例如，ewma，它计算指数移动的加权平均值)。第二组未包含在第一组(移动窗口函数)中的事实可能是因为指数加权变换不依赖于固定长度的窗口
