移动平均可以使时间序列变平滑，是典型的有序计算问题，其基本算法是：将N个连续的时间序列成员作为一个集合，计算该集合的平均值，并逐项推移该集合。下面用一个例子来说明R计算移动平均的方法。
案例描述：
数据框sales有两个字段：日期和当日销售额，需要计算三日移动平均值。具体算法是：求出前一日、当日、后一日的销售额平均值，并逐日推移。部分源数据如下：
代码：
filter(sales$Amount/3, rep(1, 3))
计算结果：
代码解读：
R语言可以用函数filter计算移动平均值，代码简短，非常方便。
函数filter虽然很方便，但初学者却不易理解。比如sales$Amount/3的本意是将Amount字段中的当前值除以3，但用在filter函数里却能将前后三个值相加再除以三。表达式rep(1,3)的值为[1,1,1]，用在这里却能指定取数范围。另外，filter的函数名和参数名中既没有“平均”，也没有“移动”，许多R语言开发者都不知道它可以用来计算移动平均值。
事实上,函数filter是个通用的线性过滤器，它的作用不止计算移动平均值这么简单。其完整的函数说明如下：filter(x, filter, method= c("convolution", "recursive"),sides = 2,circular = FALSE, init)。
如果想改动一下算法，代码就会更难理解，比如要计算当日、前一日、前两日这三天的移动平均值，不能写成:filter(sales$Amount/3,rep(0,2))，而应该是filter(sales$Amount/3,rep(1,3), sides = 1)。
总结： R语言可以计算移动平均值，但代码难理解。
第三方解决方案
本案例也可以用Python、集算器、Perl等语言来实现。和R语言一样，这几种语言都可以进行数据的统计分析，都可以计算移动平均值，下面简单介绍Python和集算器的解决方案。
Python(pandas)
Pandas是Python的第三方库函数，其基本数据类型仿照R中的数据框，具有很强的结构化数据处理能力，目前最新版本是0.14。代码如下：
pandas.stats.moments.rolling_mean(sales["Amount"],3)
rolling_mean这个函数名一目了然，即使刚接触pandas的开发者也能轻易查到这个函数，rolling_mean的用法也很简洁，第一个参数是被计算的序列，第二个参数是N日移动平均值中的N。
集算器
集算器擅长以敏捷语法自由表达业务逻辑，其相对位置表达式可以方便地解决有序计算中的难题。代码所示：
sales.(Amount{-1,1}.avg())
代码中的{-1,1}表示相对区间，即前一日和后一日之间的三天。可以看到，使用相对区间可以直观地计算移动平均值，而且更加灵活。比如同样改动算法：计算当日、前一日、前两日这三天的移动平均值，集算器只需将区间改为{-2,0}。
相对区间是个集合，集算器还可以表达相对位置的元素，比如销售增长额可以用sales(Amount -Amount[-1])来直观计算，而R语言和Python就没这么好理解。