更好的解决方案1D：

我们可以使用卷积：

aout = ((np.convolve(a,[1,1,1],mode='same')>1)&(a>0)).astype(a.dtype)
# aout = array([0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0])

更好的二维解决方案：

from scipy.signal import convolve2d

a = np.array([[1, 1, 0, 0, 0, 0, 1, 0, 0, 1],
              [1, 0, 1, 0, 1, 0, 0, 0, 1, 1]])

aout = ((convolve2d(a,np.ones((1,3)),mode='same')>1)&(a>0)).astype(a.dtype)

#aout = array([[1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
#              [0, 0, 0, 0, 0, 0, 0, 0, 1, 1]])

为什么a发生了变化？

为了理解为什么a在您的过程中被更新，您需要理解副本和视图之间的区别。
从文档中：

检视

可以通过改变某些元数据（如stride和dtype）而不改变数据缓冲区来访问数组。这创建了一种查看数据的新方式，这些新数组称为视图。数据缓冲区保持不变，因此对视图所做的任何更改都会反映在原始副本中。可以通过ndarray.view方法强制创建视图。

复制

通过复制数据缓冲区和元数据来创建新数组时，该数组称为副本。对副本所做的更改不会反映在原始数组上。创建副本的速度较慢且占用内存，但有时是必要的。可以使用ndarray.copy强制创建副本。
或者np.split()返回一个视图，而不是a的副本，因此aout仍然指向与a相同的数据缓冲区，如果更改aout，则会更改a。

性能指标评测

import numpy as np

a = np.random.randint(0,2,(1000000,))

def continuous_split(a):
    idx = np.where(np.roll(a,1)!=a)[0][1:]
    aout = np.split(a,idx)
    sumseg = [aa.sum() for aa in aout]
    idx2 = np.where( (np.array(sumseg)>0) & (np.array(sumseg)<2) )
    [aout[ai].fill(0) for ai in idx2[0]]
    return aout
    
def continuous_conv(a):
    return ((np.convolve(a,[1,1,1],mode='same')>1)&(a>0)).astype(a.dtype)

%timeit continuous_split(a)
%timeit continuous_conv(a)

• np.split（）解决方案：*

668 ms ± 11.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

• np.卷积（）解：*

7.63 ms ± 115 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)