scipy.ndimage.maximum_filter1d是计算一维滑动窗口最大值的最快方法，底层C实现，需注意size为窗口长度、mode='constant'配cval=-np.inf防污染，输出等长需手动切片。
用 scipy.ndimage.maximum_filter1d 最快算滑动窗口最大值
NumPy 本身不提供原生移动极值函数，硬写 Python 循环或用 np.lib.stride_tricks.sliding_window_view 再配 np.max，性能差、内存爆得快。直接上 scipy.ndimage.maximum_filter1d 是最稳的选择——它底层是 C 实现，支持填充、边界处理，且对一维数组开箱即用。
常见错误是传错 size 参数：它表示窗口**长度**（不是半宽），比如想算每 5 个元素的最大值，就得写 size=5，不是 size=2；另外默认用 mode='reflect'，容易在首尾产生意外重复值，生产环境建议显式设 mode='constant' 并配 cval=-np.inf 避免污染结果。
- 输入必须是 1D 数组；如果是 2D，需沿轴分别调用（
axis=0或axis=1） - 窗口大小为奇数时中心对齐；偶数时向右偏移一个位置（文档没明说但实测如此）
- 输出长度和输入一致，不会自动截断——若需“严格滑动”（即只保留完整窗口结果），得手动切片：
out[size//2 : -(size-1)//2]
import numpy as np from scipy.ndimage import maximum_filter1d <p>x = np.array([1, 3, 2, 8, 4, 6, 5]) result = maximum_filter1d(x, size=3, mode='constant', cval=-np.inf)</p><h1>→ [3, 8, 8, 8, 6, 6, 6]</h1>
sliding_window_view + np.max 适合调试但别上线
这个组合看起来直观，也确实能跑通，但它会把原始数组复制成一个 (n - w + 1, w) 的二维视图，内存占用直接翻 w 倍。w=1000、n=1e6 时，临时数组就占 8GB（float64），还没算 np.max 的 axis 运算开销。
适用场景仅限：数据小（n ）、窗口窄（<code>w ）、需要快速验证逻辑，或者你明确要所有窗口的完整子数组做后续处理（比如同时算均值+方差+最大值）。
-
sliding_window_view在 NumPy 1.20+ 才有，旧版本会报AttributeError - 它返回的是视图（view），但
np.max(..., axis=1)会强制转成副本（copy），无法避免内存膨胀 - 不能处理边界外推，窗口不满时直接丢弃，输出比输入短
w-1个元素
x = np.array([1, 3, 2, 8, 4]) from numpy.lib.stride_tricks import sliding_window_view windows = sliding_window_view(x, window_shape=3) # shape: (3, 3) result = np.max(windows, axis=1) # → [3, 8, 8]
二维数组滑动最大值：别用嵌套循环，用 maximum_filter
有人想对图像或矩阵做局部最大池化，第一反应是写两层 for，这在 1000×1000 上会卡死。正确做法是用 scipy.ndimage.maximum_filter，它天然支持多维，参数 size 可以是整数（各向同性）或元组（如 (3, 5) 表示高3宽5的矩形窗）。
坑点在于：它的默认 mode='reflect' 会让图像边缘“镜像延拓”，导致角落值异常偏高；而 mode='nearest' 又会让边缘大片相同值，掩盖真实极值分布。实际中更推荐 mode='constant' + cval=0（灰度图）或 cval=-np.inf（找严格最大值）。
- 注意
size元组顺序是(height, width)，和数组索引[i, j]一致，但和 OpenCV 的(width, height)相反 - 如果只关心某一行或列，优先降维后用
maximum_filter1d，比全二维 filter 更快更省内存 - 该函数不支持 stride（步长 ≠ 1），真要下采样得自己切片或用
skimage.measure.block_reduce
自定义窗口形状？绕不开 generic_filter，但慎用
当你要的不是方窗/矩形窗，而是十字形、菱形、或带 mask 的不规则区域时，maximum_filter 不再适用，只能上 scipy.ndimage.generic_filter。它允许传入任意 Python 函数，但代价是速度暴跌——每个窗口都触发一次 Python 调用，比 C 实现慢 100 倍以上。
唯一能缓解的方法是：确保你的函数足够轻量，且提前用 np.asarray 或 .ravel() 避免隐式拷贝；更进一步，可把核心逻辑用 numba.jit 加速（需额外依赖），但要注意 generic_filter 的 callback 接口不支持 numba 编译后的函数，得自己手写循环+stride_tricks 拆解。
- mask 必须是 bool 类型二维数组，shape 和
size一致；False 位置会被忽略（视为缺失） - callback 函数接收一维 ndarray，返回标量；不能依赖全局变量或闭包状态
- 如果只是想要“圆形窗口最大值”，不如先用
distance_transform_edt构造 mask，再喂给generic_filter，但性能依然堪忧
边界对齐、内存占用、多维轴向、不规则形状——这些细节不试一遍根本想不到哪块会突然卡住。尤其 maximum_filter1d 的 size 含义和 mode 行为，线上出过好几次诡异的首尾峰值漂移。
