本文介绍使用 `np.maximum.accumulate()` 一行代码替代手动循环，将数组中所有小于前一元素的值替换为此前的最大值（即计算运行最大值），显著提升性能与可读性。
在数据预处理或信号平滑等场景中，常需将单调递减的局部异常点“拉平”为之前达到的峰值——例如将 [10, -1, 2, 5, 19, 5, 5, 4, 10, 2] 转换为 [10, 10, 10, 10, 19, 19, 19, 19, 19, 19]。这类操作本质是计算运行最大值（running maximum），即从左到右遍历过程中每个位置截止当前的最大值。
传统做法是编写显式循环（如问题中提供的 func 函数），但存在明显缺陷：Python 层面迭代效率低、代码冗长、不易复用，且无法利用 NumPy 的向量化优势。
✅ 推荐解法：直接调用 np.maximum.accumulate()：
import numpy as np 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] arr2 = np.array([0, 3, 5, 4, 3, 7, 2]) result2 = np.maximum.accumulate(arr2) print(result2) # [0 3 5 5 5 7 7]
该函数对输入数组沿指定轴（默认 axis=0）执行累积最大值运算，时间复杂度为 O(n)，底层由高度优化的 C 代码实现，比纯 Python 循环快数倍至数十倍（尤其在大型数组上效果更显著）。
⚠️ 注意事项：
- np.maximum.accumulate() 是原地逻辑不可变操作，返回新数组，不修改原始数据（安全）；
- 仅适用于一维数组或需按行/列分别处理的多维场景（可通过 axis 参数控制）；
- 若需反向操作（即从右向左取运行最大值），可结合切片：np.maximum.accumulate(arr[::-1])[::-1]；
- 该方法不处理 NaN ——若数组含缺失值，建议先用 np.nan_to_num() 或 pd.Series.ffill() 配合 np.where() 做预处理。
总结：用 np.maximum.accumulate() 替代手写循环，不仅代码简洁（单行）、语义清晰（“累积最大值”直指需求本质），而且兼具高性能与强鲁棒性，是 NumPy 用户应熟练掌握的核心技巧之一。
