基于移位法

(剧透提醒：这是我的第一个答案，但不是我最好的。这不是最快的。有关更快的解决方案，请参阅开机自检结束)
只要您的条件仍然是“前一行、当前行或下一行的数字”(我的意思是，如果您不想将其扩展到“k个前一行或k个下一行”)，shift方法似乎是最快的方法。尽管如此，我对fillna的想法并不确定。
我会用一种更直接的方法

df['label'] = 1*(~df.number.isna() | ~df.number.shift(1).isna() | ~df.number.shift(-1).isna())

滑动窗口-view

(其他扰乱：我认为这种方法只适用于一般情况，而不适用于3行大窗口(当前为+1之前为+1之后)的特定情况)。但事实上，即使是在这种情况下，它也更快)
使用变量窗口，您可以使用np.lib.stride_tricks.sliding_window_view快速查看相邻值

def fillLabel(df):
    df['label']=0
    v = np.lib.stride_tricks.sliding_window_view(~np.isnan(df.number.values), (PADDING_VALUE*2+1,))
    # Note: PADDING_VALUE is the same as in Steinn Hauser Magnusson's answer
    label=np.any(v,axis=1)
    df.label.values[1:-1]=label

请注意，顾名思义，sliding_window_view是一个视图。而不是数据的副本。因此，即使您有100,000行并且PADDING_VALUE是10000，它也不会用100亿个2D数组填满您的内存。这只是检查单行中相邻值的一种方便方法。
我最近在另一个答案中使用了它，我对此做了更多的解释。
这4种方法的结果(到目前为止)：你的，Steinn Hauser Magnusson的，和我的2
方法|计时(Ms)

你的|1.58
My Shift-One-liner|1.30
Steinn卷积|0.58
滑动窗口|0.28
所以，我必须承认，我没有想到卷积和我的第二种方法会比简单的“3行”情况下的简单一行程序更快。但是这个滑动窗口视图函数非常快(因为，同样，它只是一个视图)，即使在这种情况下，它也是最快的。它在两个标准上都是赢家：它是最快的，但你可以选择窗口大小。

我建议对此使用卷积运算。当您想要“屏蔽”某个特定空间上的数组时，它真的很棒。在本例中，您希望屏蔽数组[...，1，1，1，...]在每个label == 1的顶部。以下是我的做法：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "Number": [pd.NA,pd.NA,4,pd.NA,pd.NA,pd.NA,pd.NA,8.9,pd.NA,pd.NA,pd.NA,pd.NA,47,]})

PADDING_VALUE = 1 # set padding

def change_neighbors(np_array):
    len_of_neighbors = 2*PADDING_VALUE+1 # imagine this is the length going from [1] -> [..., 1, 1, 1, ...]
    conv_arr = np.convolve(np_array, [1]*len_of_neighbors, "same") # "same" value makes it extrapolate zeros at boundaries.

    # need to account for overlaps when convolving. 
    # Some values might be "2" depending on closeness of non-nan chars
    conv_arr[conv_arr>1]=1 

    return conv_arr

df["Label"] = df["Number"].notnull()
df["Label"] = change_neighbors(df["Label"].values)

print(df)

# >>>    Number  Label

# >>> 0    <NA>      0

# >>> 1    <NA>      1

# >>> 2       4      1

# >>> 3    <NA>      1

# >>> 4    <NA>      0

# >>> 5    <NA>      0

# >>> 6    <NA>      1

# >>> 7     8.9      1

# >>> 8    <NA>      1

# >>> 9    <NA>      0

# >>> 10   <NA>      0

# >>> 11   <NA>      1

# >>> 12     47      1

请注意，当您应用卷积时，一些值加起来可能大于1(如果填充特别大，或者“1元素”非常接近)。出于这个原因，我将所有大于1的值都设置为等于1，但是您可能有另一个用例。希望这个能帮上忙！