您可以设置晶体生长样式算法，交替移动视图
沿每个轴，仅替换标记为“False”但具有
`真正的邻居。这会产生类似“最近邻”的结果（但不是
欧几里德距离或曼哈顿距离——我想它可能是最近的邻居
正在计算像素，计算所有具有公共角的连接像素）这
使用NumPy应该相当有效，因为它只在axis和
收敛迭代，而不是数据的小切片。
粗、快、稳。我想这就是你想要的：

import numpy as np
# -- setup --
shape = (10,10,10)
dim = len(shape)
data = np.random.random(shape)
flag = np.zeros(shape, dtype=bool)
t_ct = int(data.size/5)
flag.flat[np.random.randint(0, flag.size, t_ct)] = True
# True flags the data
# -- end setup --

slcs = [slice(None)]*dim

while np.any(~flag): # as long as there are any False's in flag
    for i in range(dim): # do each axis
        # make slices to shift view one element along the axis
        slcs1 = slcs[:]
        slcs2 = slcs[:]
        slcs1[i] = slice(0, -1)
        slcs2[i] = slice(1, None)

        # replace from the right
        repmask = np.logical_and(~flag[slcs1], flag[slcs2])
        data[slcs1][repmask] = data[slcs2][repmask]
        flag[slcs1][repmask] = True

        # replace from the left
        repmask = np.logical_and(~flag[slcs2], flag[slcs1])
        data[slcs2][repmask] = data[slcs1][repmask]
        flag[slcs2][repmask] = True

为了更好的测量，这里有一个由数据播种的区域的可视化（2D）最初标记为“True”。