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，高效地将布尔数组中 true 值向后（或沿指定方向）传播固定步数，完美支持一维、二维乃至更高维数组，兼具简洁性、可读性与高性能。
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，高效地将布尔数组中 true 值向后（或沿指定方向）传播固定步数，完美支持一维、二维乃至更高维数组，兼具简洁性、可读性与高性能。
在信号处理与数组操作中，“True 值传播”（即对每个 True 元素，将其后 N 个位置也置为 True）是一类常见需求，例如用于时间窗口标记、掩码扩展、事件持续期建模等。传统基于 np.argwhere + 索引广播 + 边界裁剪的方法在 1D 场景下尚可工作，但面对多维数组（如形状为 (2, 13) 的 AA）时，会因索引维度不匹配、广播逻辑复杂而失效，且难以泛化。
更鲁棒、更高效的解法是将传播操作建模为离散卷积：把原始布尔数组视为二值信号，构造一个长度为 propagation + 1 的“传播核”（kernel），其前 propagation 位为 False（0），后 propagation + 1 位为 True（1）——这恰好表示“以当前 True 为中心，向右覆盖自身及后续 propagation 个位置”。卷积运算天然支持多维推广，且由底层 C/Fortran 实现，性能远超 Python 循环。
✅ 一维数组：使用 np.convolve
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：[False, False, True, True, True] → 等价于 [0, 0, 1, 1, 1]
kernel_1d = np.concatenate([
np.zeros(propagation, dtype=bool),
np.ones(propagation + 1, dtype=bool)
])
# 执行卷积（mode='same' 保证输出长度与输入一致）
result_1d = np.convolve(A, kernel_1d, mode='same').astype(bool)
print("1D result:", result_1d)
# 输出: [False True True True False True True True False False False True True]⚠️ 注意：np.convolve 默认对布尔数组做整数卷积（True=1, False=0），结果为整数数组，需显式 .astype(bool) 转回布尔类型；若希望直接得到布尔结果，可改用 dtype=int 构造核并判断 > 0。
✅ 二维数组：使用 scipy.signal.convolve2d
对于二维布尔数组（如按行独立传播），需使用二维卷积，并设计方向性核：
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]
])
# 构造 2D 核：形状 (1, propagation+1)，仅在列方向作用（即每行内向右传播）
# kernel_2d = [[0, 0, 1, 1, 1]] → 行向量，实现“行内右传播”
kernel_2d = np.concatenate([
np.zeros((1, propagation), dtype=int),
np.ones((1, propagation + 1), dtype=int)
])
# 执行二维卷积（mode='same' 保持原尺寸）
conv_result = convolve2d(AA, kernel_2d, mode='same')
result_2d = conv_result > 0 # 转为布尔数组
print("2D result:\n", result_2d)该方法天然支持任意 N 维——只需配合 scipy.ndimage.convolve 并构造对应维度的核（如 3D 可用 (1, 1, propagation+1) 核实现深度方向传播）。
✅ 高维通用方案与注意事项
- 核的方向控制：传播方向由核的非零区域位置决定。若需“向左传播”，可将 ones 放在前面（如 [True,True,True,False,False]）；若需“向上/向下”，则调整核的行列形状（如 (propagation+1, 1) 实现列方向传播）。
- 边界处理：mode='same' 自动补零，确保输出尺寸不变；若需其他策略（如 mode='valid' 截断边缘），需额外处理尺寸差异。
- 性能优势：卷积操作经高度优化，尤其在大数组上比 argwhere + 广播索引快 5–10 倍以上，且内存局部性更优。
- 兼容性提示：scipy.signal.convolve2d 不支持 bool 类型核，建议统一用 int 构造，再通过比较转布尔；np.convolve 对布尔输入自动转换为整数，行为一致。
综上，将布尔传播抽象为卷积操作，不仅代码极度简洁（核心逻辑仅 2–3 行），而且具备天然的多维可扩展性、出色的运行效率和清晰的数学语义，是工业级 NumPy 应用中的推荐范式。
