Output comparison and timings for different approaches posted at Q#43350554 at Stack Overflow.

SO43350554.R

# https://stackoverflow.com/questions/43350554/r-filling-in-empty-variables

fun1 <- function() {
  apply(t(df), 2, function(x) {
    conds <- rowSums(cbind(x, dplyr::lag(x), dplyr::lead(x)), na.rm = T)==2
    x[conds] <- 1
    x
  }) %>% t()
}

fun2 <- function() {
  df[] <- t(apply(df, 1, function(x) {
    st <- range(which(!is.na(x)))
    x[st[1]:st[2]] <- x[st[1]]
    x}))
  df
}

library(data.table)
myFun1 <- function(indf) {
  M <- as.matrix(data.table(which(indf == 1, arr.ind = TRUE))[
    , list(col = seq.int(min(col), max(col))), row])
  indf[M] <- 1
  indf
}

myFun2 <- function(indf) {
  indf2 <- replace(indf, is.na(indf), 0)
  mins <- max.col(indf2, "first")
  maxs <- max.col(indf2, "last")
  L <- Map(seq.int, mins, maxs)
  mat <- cbind(rep(seq_along(L), lengths(L)), unlist(L, use.names = FALSE))
  indf[mat] <- 1
  indf
}

set.seed(1)
nc <- 10
nr <- 10
df <- data.frame(t(replicate(nr, sample(c(1, 1, rep(NA, nc-2))))))

df
#    X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
# 1  NA NA NA NA  1 NA NA NA NA   1
# 2  NA  1 NA NA NA NA NA NA  1  NA
# 3  NA  1 NA  1 NA NA NA NA NA  NA
# 4  NA NA NA  1 NA NA NA  1 NA  NA
# 5  NA NA NA NA NA NA  1  1 NA  NA
# 6  NA NA NA  1  1 NA NA NA NA  NA
# 7  NA NA NA NA NA  1 NA NA  1  NA
# 8  NA NA NA NA NA NA NA  1 NA   1
# 9  NA NA NA NA NA  1 NA  1 NA  NA
# 10 NA  1 NA NA NA NA  1 NA NA  NA

fun1()
#       X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
#  [1,] NA NA NA NA  1 NA NA NA NA   1   *
#  [2,] NA  1 NA NA NA NA NA NA  1  NA   *
#  [3,] NA  1  1  1 NA NA NA NA NA  NA
#  [4,] NA NA NA  1 NA NA NA  1 NA  NA   *
#  [5,] NA NA NA NA NA NA  1  1 NA  NA   
#  [6,] NA NA NA  1  1 NA NA NA NA  NA
#  [7,] NA NA NA NA NA  1 NA NA  1  NA   *
#  [8,] NA NA NA NA NA NA NA  1  1   1
#  [9,] NA NA NA NA NA  1  1  1 NA  NA
# [10,] NA  1 NA NA NA NA  1 NA NA  NA   *

fun2()
#    X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
# 1  NA NA NA NA  1  1  1  1  1   1
# 2  NA  1  1  1  1  1  1  1  1  NA
# 3  NA  1  1  1 NA NA NA NA NA  NA
# 4  NA NA NA  1  1  1  1  1 NA  NA
# 5  NA NA NA NA NA NA  1  1 NA  NA
# 6  NA NA NA  1  1 NA NA NA NA  NA
# 7  NA NA NA NA NA  1  1  1  1  NA
# 8  NA NA NA NA NA NA NA  1  1   1
# 9  NA NA NA NA NA  1  1  1 NA  NA
# 10 NA  1  1  1  1  1  1 NA NA  NA

identical(fun2(), myFun1(df))
# [1] TRUE

identical(fun2(), myFun2(df))
# [1] TRUE

library(microbenchmark)
microbenchmark(myFun1(df), myFun2(df), fun2()) # 10 x 10 data.frame
# Unit: microseconds
#        expr      min        lq      mean    median        uq      max neval
#  myFun1(df) 1078.478 1126.6090 1249.6862 1196.8295 1286.4845 4722.194   100
#  myFun2(df)  678.980  720.0460  803.3389  771.8900  818.0290 1429.200   100
#      fun2()  388.371  422.4315  453.3847  441.5105  462.4375  807.734   100

set.seed(1)
nc <- 100
nr <- 1000
df <- data.frame(t(replicate(nr, sample(c(1, 1, rep(NA, nc-2))))))

microbenchmark(myFun1(df), myFun2(df), fun2()) # 1000 x 100 data.frame
# Unit: milliseconds
#        expr      min       lq     mean   median       uq       max neval
#  myFun1(df)  9.74110 10.21972 11.39599 10.41556 11.04388  17.04424   100
#  myFun2(df) 11.40730 12.02916 15.36465 12.40388 15.29860 184.79787   100
#      fun2() 19.24917 21.05500 23.67406 22.17829 26.79834  39.69459   100