使用 NumPy 的 np.logical_or.accumulate() 或 np.maximum.accumulate() 沿列方向（axis=1）累积逻辑或/最大值，可高效实现“首次 True 出现后，该行后续所有元素置为 True（或 1）”的前向填充效果。
使用 numpy 的 np.logical_or.accumulate() 或 np.maximum.accumulate() 沿列方向（axis=1）累积逻辑或/最大值，可高效实现“首次 true 出现后，该行后续所有元素置为 true（或 1）”的前向填充效果。
在数据预处理、掩码扩展或信号触发建模等场景中，常需对布尔矩阵执行“前向传播填充”：即对每一行，从左到右扫描，一旦遇到首个 True（或 1），则将其右侧（含自身）所有位置统一设为 True。这种操作本质是行内累积逻辑“或”——因为 False or False = False，而一旦出现 True，后续所有 True or anything = True。
NumPy 提供了高度优化的向量化方案，无需 Python 循环：
import numpy as np
A = np.array([
[0, 0, 0, 0, 1, 0, 1],
[0, 0, 0, 0, 0, 0, 1],
[1, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0]
]).astype(bool)
# ✅ 推荐：直接对布尔数组累积逻辑或（返回布尔型结果）
result_bool = np.logical_or.accumulate(A, axis=1)
print("布尔结果：")
print(result_bool)
# ✅ 若需整数类型（0/1），可先转 int 再用 maximum.accumulate
result_int = np.maximum.accumulate(A.astype(int), axis=1)
print("\n整数结果：")
print(result_int)
输出为：
布尔结果： [[False False False False True True True] [False False False False False False True] [ True True True True True True True] [False False False False False False False]] 整数结果： [[0 0 0 0 1 1 1] [0 0 0 0 0 0 1] [1 1 1 1 1 1 1] [0 0 0 0 0 0 0]]
⚠️ 注意事项：
-
axis=1表示沿列方向累积（即每行独立处理），切勿误用axis=0（那将沿行方向累积，效果完全不同）； -
np.logical_or.accumulate()天然适配布尔数组，性能最优且语义清晰；np.maximum.accumulate()更通用（支持整数/浮点），当输入含非 0/1 值时行为不同，但在此类二值场景下结果一致； - 该操作是纯函数式、无副作用的，原始数组
A不会被修改； - 对于大规模矩阵，此方法比逐行
np.where+np.arange手动索引快一个数量级以上。
总结：np.logical_or.accumulate(A, axis=1) 是解决“行内首次 True 后全填充”问题最简洁、高效、可读性强的标准 NumPy 范式。
