本文介绍如何利用 NumPy 和 SciPy 的卷积操作，替代显式循环或索引拼接，在一维及多维布尔数组中高效地将 True 值沿指定轴向后传播固定步数（如传播 2 位），兼顾性能、可读性与维度扩展性。
本文介绍如何利用 numpy 和 scipy 的卷积操作，替代显式循环或索引拼接，在一维及多维布尔数组中高效地将 `true` 值沿指定轴向后传播固定步数（如传播 2 位），兼顾性能、可读性与维度扩展性。
在科学计算和信号处理中，常需将布尔数组中 True 的“激活点”向后延伸若干位置（例如用于标记事件影响区间）。传统方法（如 np.argwhere + 手动索引偏移）虽在一维可行，但在高维场景下易出错、难以泛化，且存在边界处理冗余、内存不连续等问题。
核心思路：将“传播”建模为卷积操作
传播 k 步的本质是：对每个 True 位置，将其及其后 k 个位置均置为 True。这等价于用一个长度为 k+1 的矩形核 [1, 1, ..., 1]（布尔语义下即 [True, True, ..., True]）与原数组进行卷积，并将结果非零处转为 True。卷积天然支持多维、自动边界处理（mode='same' 保证输出尺寸一致），且由底层 C/Fortran 实现，性能远超 Python 循环。
✅ 一维数组传播（NumPy 原生）
import numpy as np
propagation = 2
A = np.array([False, True, False, False, False, True, False, False, False, False, False, True, False])
# 构造传播核：前 propagation 个 False（占位），后 propagation+1 个 True
kernel = np.r_[np.zeros(propagation, dtype=bool), np.ones(propagation + 1, dtype=bool)]
# kernel == [False, False, True, True, True]
# 一维卷积，mode='same' 保持输出长度与 A 一致
result = np.convolve(A, kernel, mode='same').astype(bool)
print("Original:", A)
print("Propagated:", result)
# Original: [False True False False False True False False False False False True False]
# Propagated: [False True True True False True True True False False False True True]
✅ 二维数组沿行方向传播（SciPy convolve2d）
若需在二维数组中沿行方向（即 axis=1）传播（如每行独立处理），需构造一个形状为 (1, k+1) 的二维核：
from scipy.signal import convolve2d
AA = np.array([
[False, True, False, False, False, True, False, False, False, False, False, True, False],
[False, True, False, False, False, True, False, False, False, False, False, True, False]
])
# 行方向传播核：1×(propagation+1) 矩阵，首列前 propagation 个 False 占位
kernel_2d = np.r_[np.zeros(propagation), np.ones(propagation + 1)][None] # shape: (1, 5)
# kernel_2d == [[0, 0, 1, 1, 1]]
result_2d = convolve2d(AA, kernel_2d, mode='same').astype(bool)
print("2D Propagated:\n", result_2d)
? 关键说明：convolve2d 默认按二维卷积处理，此处 kernel_2d[None] 生成 (1, 5) 核，确保只在列方向（即每行内）滑动，实现逐行独立传播。若需沿列方向（axis=0）传播，则应使用 (propagation+1, 1) 形状的核。
⚠️ 注意事项与最佳实践
- 数据类型：输入数组建议为 bool 或 int8；卷积结果为整型（如 int32），务必 .astype(bool) 转换以获得布尔语义。
- 边界行为：mode='same' 自动补零（不影响 True 传播逻辑），若需其他填充策略（如 wrap、reflect），可选用 mode='full' 后手动截取，但通常 'same' 最符合直觉。
- 性能优势：卷积经高度优化，对百万级数组仍保持毫秒级响应；而 argwhere+广播索引方案在高维时易触发内存爆炸（如 idcs_true 数组指数级膨胀）。
- 扩展性：该方法天然支持任意维度——三维可用 scipy.ndimage.convolve 配合 (1,1,k+1) 核实现沿最后一维传播，逻辑完全一致。
综上，以卷积代替手工索引，不仅代码更简洁鲁棒，更实现了从 1D 到 ND 的无缝迁移，是处理此类“局部真值扩散”问题的推荐范式。
