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，在一维及高维布尔数组中高效实现“true 值向后传播 n 位”的操作，显著提升性能并保持代码简洁与可扩展性。
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，在一维及高维布尔数组中高效实现“true 值向后传播 n 位”的操作，显著提升性能并保持代码简洁与可扩展性。
在科学计算和信号处理中，常需将布尔数组中 True 的位置“扩散”或“延展”至其后若干位置（例如标记事件影响区间）。传统方法如 np.argwhere + 索引广播虽直观，但在多维场景下易出错、难以泛化，且内存开销大（生成大量中间索引）。更优解是将该操作建模为二值形态学膨胀——本质上等价于与一个单位脉冲响应卷积。
✅ 一维数组：使用 np.convolve
核心思想是构造一个长度为 propagation + 1 的卷积核，前 propagation 位为 False（0），后 propagation + 1 位为 True（1），即 [0, ..., 0, 1, 1, ..., 1]（共 propagation+1 个 1）。对布尔数组做 mode='same' 卷积后，结果自动转为整型（0/1），再转回布尔即可：
import numpy as np
propagation = 2
A = np.array([False, True, False, False, False, True, False, False, False, False, False, True, False])
# 构造卷积核：[False, False, True, True, True]
kernel = np.r_[np.zeros(propagation, dtype=bool),
np.ones(propagation + 1, dtype=bool)]
# 执行卷积（自动处理边界，mode='same' 保证输出长度一致）
out = np.convolve(A, kernel, mode='same').astype(bool)
print("Original:", A)
print("Propagated (N=2):", out)
# Output: [False True True True False True True True False False False True True]
⚠️ 注意：np.convolve 默认将布尔值转为 int 运算，因此结果为整数数组，需显式 .astype(bool) 转回布尔类型；若输入为 uint8，可省略此步。
✅ 二维及以上数组：使用 scipy.signal.convolve2d
对于二维布尔数组（如时间-通道矩阵），需构造二维卷积核。关键在于：仅沿目标轴（如 axis=1）扩展，另一轴保持为 1。推荐用 np.newaxis 或 None 提升维度：
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]])
# 构造 1×(propagation+1) 核：[[False, False, True, True, True]]
kernel_2d = np.r_[np.zeros(propagation), np.ones(propagation + 1)][None] # shape: (1, 5)
# 沿行方向（axis=1）传播：convolve2d 自动匹配 kernel 方向
out_2d = convolve2d(AA, kernel_2d, mode='same').astype(bool)
print("2D propagated:\n", out_2d)
输出与期望一致，且天然支持任意更高维数组（需配合 scipy.ndimage.convolve 并指定 axes 参数）。
? 关键优势与注意事项
- 性能卓越：卷积由底层 C/Fortran 实现，远快于 Python 循环或 argwhere + 广播索引；
- 维度无关：只需调整卷积核形状（如 3D 可用 (1,1,K) 核沿最后一维传播）；
- 边界安全：mode='same' 自动补零，无需手动裁剪索引；
- 内存友好：不生成巨大索引数组，避免 MemoryError；
- 兼容性：convolve2d 支持 dtype=bool 输入，但内部仍按整数运算，输出需 .astype(bool) 显式转换。
✅ 总结
将“True 值向后传播 N 位”抽象为卷积操作，是兼顾简洁性、可读性与高性能的最佳实践。一维用 np.convolve，多维用 scipy.signal.convolve2d（或 scipy.ndimage.convolve），配合合理构造的矩形核，即可优雅解决各类维度下的布尔传播问题。避免手写索引逻辑，让数值计算库为你承担复杂性。
