本文介绍如何利用 np.maximum.accumulate 高效实现对整数数组的“前向最大值填充”——即当当前元素小于前一元素时，将其替换为前一较大值，从而生成非递减序列。

在数据预处理、信号平滑或时间序列对齐等场景中，常需将数组转换为“不下降序列”（non-decreasing sequence），即保证每个元素都不小于其前面所有元素。例如，给定 [10, -1, 2, 5, 19, 5, 5, 4, 10, 2]，期望输出 [10, 10, 10, 10, 19, 19, 19, 19, 19, 19]——这本质上是计算累积最大值（running maximum）。

传统循环写法虽直观，但效率低且不符合 NumPy 的向量化设计哲学：

def fill_decreasing_with_prev(a):
    a = a.copy()
    for i in range(1, len(a)):
        if a[i] < a[i-1]:
            a[i] = a[i-1]
    return a

更优解是直接调用 np.maximum.accumulate ——它沿指定轴（默认 axis=0）逐元素计算累积最大值，时间复杂度 O(n)，底层由 C 优化，性能远超 Python 循环，且代码极简：

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]

✅ 优势总结：

• 零依赖：纯 NumPy 内置函数，无需额外库；
• 完全向量化：无显式循环，自动广播，支持多维数组（指定 axis 参数即可）；
• 内存友好：返回新数组，原数组不变（若需原地修改，可赋值回原变量）；
• 语义清晰：“累积最大值”精准对应问题本质，可读性与可维护性俱佳。

⚠️ 注意事项：

• 该操作仅适用于一维或需按行/列独立累积的多维场景；若需跨维度复杂逻辑，仍需结合 np.where 或 ufunc.accumulate 自定义；
• 输入应为数值型数组（int/float），不支持含 NaN 的数组（此时 NaN 会污染整个后续累积结果，如需容错，建议先用 np.nan_to_num 或 pd.Series.ffill() 配合处理）。

总之，np.maximum.accumulate 是解决“前值更大则填充前值”这类问题的标准、高效、地道的 NumPy 方案——告别手动循环，拥抱向量化思维。