本文介绍如何使用 NumPy 的 accumulate 机制，对布尔或数值矩阵沿列方向进行“首次 True 后全置为 True”的前向填充操作，适用于掩码扩展、信号触发延展等场景。
本文介绍如何使用 numpy 的 `accumulate` 机制，对布尔或数值矩阵沿列方向进行“首次 true 后全置为 true”的前向填充操作，适用于掩码扩展、信号触发延展等场景。
在数据处理与信号分析中，常需将二值矩阵中每行首个满足条件（如 `True` 或 `1`）的位置之后的所有元素统一置为该条件值——即实现“列方向上的前向填充（forward fill）”。这一操作不同于 Pandas 的 `ffill`（默认按行或列轴对缺失值填充），而是基于逻辑累积：一旦某列出现 `True`，其右侧所有列均应继承该状态。
NumPy 提供了高度优化的通用函数累积方法，无需显式循环即可完成该任务。核心思路是利用 ufunc.accumulate 对布尔数组执行逻辑或（logical_or）累积，或对整数数组执行最大值（maximum）累积：
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)
# 方法一：布尔累积 —— 推荐用于掩码场景
result_bool = np.logical_or.accumulate(A, axis=1)
print("布尔结果：")
print(result_bool)
# 方法二：整数累积 —— 直接输出 0/1 整型数组
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]]
✅ 关键说明：
-
axis=1表示沿列方向（即每行内从左到右）累积，符合“首次 True 后向右填充”的语义； -
np.logical_or.accumulate利用布尔代数性质：False or False = False，False or True = True，True or anything = True，天然实现“触发型传播”； - 若原始数据为
int类型（如0/1），使用np.maximum.accumulate(..., axis=1)更直观且避免类型转换开销； - 该操作是纯向量化、无 Python 循环的，性能远超
for循环或apply_along_axis。
⚠️ 注意事项：
- 此方法仅适用于“首次满足条件后持续保持”的单向传播逻辑；若需反向填充（即从右向左）、或带步长/窗口限制的填充，需结合
np.flip或自定义 ufunc； - 输入必须为二维数组；若处理高维数据，请先
reshape或指定axis明确作用维度； - 原地修改不被支持，所有操作均返回新数组，内存使用与输入规模成正比。
综上，np.logical_or.accumulate(A, axis=1) 是解决此类“条件前向掩码延展”问题最简洁、高效且可读性强的标准方案。
