如何基于Numpy实现二维数组1元素的8邻域（含对角）置1操作

1. 修正1值单元格的坐标定位逻辑 #

• 原代码a=np.where(a==1)+1的问题：
  • 二维场景下np.where会返回两个独立的一维数组，分别存储所有1的行索引、列索引，直接对返回值做加法会对所有索引值做算术偏移，既不能组装成(行,列)格式的坐标对，也完全不符合邻域计算的逻辑。
• 正确的坐标定位写法：直接用np.argwhere获取所有1的坐标，返回形状为(1的总个数, 2)的数组，每一行就是一个单元格的(行索引, 列索引)坐标，示例代码：

  import numpy as np
  # 题目给出的示例输入
  a = np.array([[0, 1, 0, 0, 0],
                [0, 0, 0, 0, 0],
                [0, 0, 1, 0, 0],
                [1, 0, 0, 0, 0],
                [0, 0, 0, 1, 1]])
  ones_coordinate = np.argwhere(a == 1)
  # 输出的坐标值为：[[0 1], [2 2], [3 0], [4 3], [4 4]]，完全匹配所有1的位置
  

2. 兼容边缘的邻域置1实现 #

原邻域函数的问题：切片操作没有做边界截断，当单元格处于数组边缘时（比如第一行、最后一列的单元格），邻域计算的索引会出现负数、超出数组最大索引的情况，numpy切片会错误取到数组末尾的元素，导致邻域范围完全不符合预期。
以下两个方案都能正确处理边缘边界，匹配8邻域（含对角方向）的计算逻辑：

方案1：纯Numpy实现，无额外依赖 #

核心逻辑是遍历所有1的坐标，对每个坐标的邻域范围做边界裁剪，将裁剪后的邻域区域置1：

def fill_neighbor_ones(arr, distance=1):
    max_row, max_col = arr.shape[0] - 1, arr.shape[1] - 1
    result = np.zeros_like(arr)
    for row, col in np.argwhere(arr == 1):
        # 对邻域的行、列范围做边界裁剪，避免索引越界
        valid_row_start = max(0, row - distance)
        valid_row_end = min(max_row, row + distance)
        valid_col_start = max(0, col - distance)
        valid_col_end = min(max_col, col + distance)
        # 邻域范围全部置1
        result[valid_row_start:valid_row_end+1, valid_col_start:valid_col_end+1] = 1
    return result

测试验证：将示例数组传入该函数，输出结果的核心逻辑和题目给出的期望效果一致，仅对边缘边界的计算严格遵循“超出数组范围的邻域直接忽略”的规则。

方案2：形态学操作实现，适合大尺寸数组 #

如果是题目提到的10×10甚至更大的数组，循环遍历的计算效率偏低，可以用二值膨胀逻辑，选择3×3全1的结构元，自动完成边缘边界的兼容处理：

from scipy import ndimage
def fill_neighbor_ones_fast(arr):
    # 3*3全1结构元，对应覆盖对角在内的全部8邻域范围
    neighbor_structure = np.ones((3, 3))
    return ndimage.binary_dilation(arr, structure=neighbor_structure).astype(int)

该方法对边缘的处理逻辑和需求完全匹配：邻域超出数组边界的部分直接忽略，和纯Numpy实现的计算结果完全一致。

内容的提问来源于stack exchange，提问作者aspire57