如何为numpy一维信号数组中的离散信号点增加指定宽度

该操作属于信号处理与数学形态学范畴，标准名称为灰度形态学膨胀（Grayscale Dilation），在一维离散峰值信号处理场景下也常被称为峰值展宽。它的核心逻辑是用指定长度的结构模板遍历信号，将每个非零信号点的取值覆盖到以其为中心的邻域范围内，完全匹配你的需求。

基于Numpy的向量化操作实现是最高效的方案，完全规避Python层循环，时间复杂度仅为O(n)（n为数组长度），实现思路如下：

• 提取所有非零信号的索引位置和对应取值
• 计算宽度对应的半长偏移量：因width为奇数，偏移范围为[- (width//2) , width//2]
• 批量生成所有需要填充的位置索引，过滤掉超出数组边界的无效索引后直接赋值，天然保证数组总长度不变

代码实现 #

Numpy原生实现（无第三方依赖） #

import numpy as np

def broaden_signal(arr, width):
    assert width % 2 == 1 and width > 0, "width必须为正奇数"
    half_w = width // 2
    arr_len = len(arr)
    # 提取非零信号的索引和值
    non_zero_idx = np.where(arr != 0)[0]
    non_zero_vals = arr[non_zero_idx]
    # 生成偏移量矩阵和填充位置
    offsets = np.arange(-half_w, half_w + 1)
    fill_pos = non_zero_idx[:, None] + offsets
    # 过滤边界外的无效位置
    valid_mask = (fill_pos >= 0) & (fill_pos < arr_len)
    valid_fill_pos = fill_pos[valid_mask]
    # 生成对应填充值
    valid_fill_vals = np.repeat(non_zero_vals, width)[valid_mask.flatten()]
    # 输出结果
    res = np.zeros_like(arr)
    res[valid_fill_pos] = valid_fill_vals
    return res

# 测试用例
arr = np.array([0,0,0,0,0,1,0,0,0,0,2,0,0,0,0,5,0,0,0,1,0,0,0,0,0,0,0,0,0,0])
print(broaden_signal(arr, width=3))
# 输出：[0 0 0 0 1 1 1 0 0 2 2 2 0 0 5 5 5 0 1 1 1 0 0 0 0 0 0 0 0 0]

现成接口调用 #

如果允许引入scipy依赖，可直接调用封装好的灰度膨胀接口，效率和原生Numpy实现相当，且自动处理信号重叠时保留最大值的逻辑：

from scipy.ndimage import grey_dilation
res = grey_dilation(arr, size=width)

内容的提问来源于stack exchange，提问作者Mike Azatov