本文介绍如何用 np.maximum.accumulate() 高效实现“将数组中所有小于前一元素的值替换为前一较大值”，即生成前向累积最大值序列，避免显式循环，大幅提升性能与代码简洁性。
在数据预处理、信号平滑或时间序列对齐等任务中，常需将数组中“下降点”向前填充为最近的局部最大值——例如 [10, -1, 2, 5, 19, 5, 5, 4, 10, 2] 应变为 [10, 10, 10, 10, 19, 19, 19, 19, 19, 19]。传统做法是遍历修改（如 for 循环逐个比较赋值），但不仅冗长，且在 NumPy 中违背向量化原则，效率低下。
推荐解法：np.maximum.accumulate()
该函数沿指定轴计算累积最大值，天然契合本需求——它从左到右维护一个“运行最大值”，每一步输出当前为止遇到的最大值，等价于“若当前值小于之前最大值，则用之前最大值填充”。
✅ 示例代码：
import numpy as np # 示例 1 arr1 = np.array([10, -1, 2, 5, 19, 5, 5, 4, 10, 2]) result1 = np.maximum.accumulate(arr1) print(result1) # [10 10 10 10 19 19 19 19 19 19] # 示例 2 arr2 = np.array([0, 3, 5, 4, 3, 7, 2]) result2 = np.maximum.accumulate(arr2) print(result2) # [0 3 5 5 5 7 7]
⚠️ 注意事项：
- np.maximum.accumulate() 默认沿 axis=0（首轴）操作，对一维数组完全适用；多维数组需显式指定 axis 参数（如 axis=1 处理每行）。
- 输入必须为数值型数组（int/float），不支持含 NaN 的场景（若需跳过 NaN，应先用 np.nanmax 配合自定义 ufunc，或预处理填充）。
- 该操作是纯函数式、无副作用的：原始数组不会被修改，返回全新数组。
? 进阶提示：
若需反向累积（即从右向左填充“右侧最大值”），可结合切片：
np.maximum.accumulate(arr[::-1])[::-1] # 等效于从右到左的 running max
总结：相比手动循环，np.maximum.accumulate() 以一行向量化代码完成相同逻辑，兼具可读性、性能与 NumPy 生态一致性，是处理此类“前向最大值填充”问题的标准推荐方案。
