本文介绍如何用 np.maximum.accumulate() 高效替代手动循环，将数组中所有小于前一个元素的值替换为此前出现过的最大值（即计算前缀最大值），实现简洁、向量化、高性能的“递增保持”变换。
在数据预处理或信号平滑等场景中，常需将原始数组转换为“非递减序列”——即每当当前值小于前一值时，就用前一（或历史）最大值覆盖它。这种操作本质是计算前缀最大值（running maximum / cumulative maximum），而非简单的滚动窗口统计。
NumPy 提供了高度优化的内置函数 np.maximum.accumulate()，它沿指定轴对数组执行累积最大值运算，时间复杂度为 $O(n)$，且完全向量化，无需 Python 层循环，性能远超手动实现：
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]
该函数从左到右遍历数组，维护一个动态最大值：result[i] = max(arr[0], arr[1], ..., arr[i])，恰好满足“遇小即填大”的语义——因为一旦出现下降，累积最大值不再更新，后续位置继续沿用该最大值，直到遇到更大的新值。
⚠️ 注意事项：
- np.maximum.accumulate() 默认按第 0 轴（即行方向）作用于多维数组；若需按列处理，需显式指定 axis=1；
- 输入必须为数值型数组（如 int/float），不支持含 NaN 的场景（此时 NaN 会污染整个累积结果）；如需跳过 NaN，应先用 np.nanmax 配合自定义逻辑，或改用 pandas.Series.cummax(skipna=True)；
- 该操作是纯函数式、无副作用的，始终返回新数组，原数组不受影响。
✅ 总结：相比手写 for 循环，np.maximum.accumulate() 不仅代码更简洁（单行解决），而且利用底层 C 优化，内存局部性好、无解释器开销，在处理百万级数组时速度可提升数十倍。它是 NumPy 中实现“前缀最大值填充”的标准、推荐且最高效的方式。
