NumPy NumPy参考

• 数组对象
• 常数
• 通用功能（ufunc）
• 例行程序
•    数组创建例程
•    数组操作例程
•    Binary operations
•    String operations
•    C-Types Foreign Function Interface (numpy.ctypeslib)
•    Datetime Support Functions
•    Data type routines
•    Optionally Scipy-accelerated routines (numpy.dual)
•    Mathematical functions with automatic domain (numpy.emath)
•    Floating point error handling
•    Discrete Fourier Transform (numpy.fft)
•    Financial functions
•    Functional programming
•    NumPy-specific help functions
•    Indexing routines
•    输入输出
•    线性代数（numpy.linalg）
•    逻辑功能
•    Mathematical functions
•          numpy.sin
•          numpy.cos
•          numpy.tan
•          numpy.arcsin
•          numpy.arccos
•          numpy.arctan
•          numpy.hypot
•          numpy.arctan2
•          numpy.degrees
•          numpy.radians
•          numpy.unwrap
•          numpy.deg2rad
•          numpy.rad2deg
•          numpy.sinh
•          numpy.cosh
•          numpy.tanh
•          numpy.arcsinh
•          numpy.arccosh
•          numpy.arctanh
•          numpy.around
•          numpy.round_
•          numpy.rint
•          numpy.fix
•          numpy.floor
•          numpy.ceil
•          numpy.trunc
•          numpy.prod
•          numpy.sum
•          numpy.nanprod
•          numpy.nansum
•          numpy.cumprod
•          numpy.cumsum
•          numpy.nancumprod
•          numpy.nancumsum
•          numpy.diff
•          numpy.ediff1d
•          numpy.gradient
•          numpy.cross
•          numpy.trapz
•          numpy.exp
•          numpy.expm1
•          numpy.exp2
•          numpy.log
•          numpy.log10
•          numpy.log2
•          numpy.log1p
•          numpy.logaddexp
•          numpy.logaddexp2
•          numpy.i0
•          numpy.sinc
•          numpy.signbit
•          numpy.copysign
•          numpy.frexp
•          numpy.ldexp
•          numpy.nextafter
•          numpy.spacing
•          numpy.lcm
•          numpy.gcd
•          numpy.add
•          numpy.reciprocal
•          numpy.positive
•          numpy.negative
•          numpy.multiply
•          numpy.divide
•          numpy.power
•          numpy.subtract
•          numpy.true_divide
•          numpy.floor_divide
•          numpy.float_power
•          numpy.fmod
•          numpy.mod
•          numpy.modf
•          numpy.remainder
•          numpy.divmod
•          numpy.angle
•          numpy.real
•          numpy.imag
•          numpy.conj
•          numpy.conjugate
•          numpy.convolve
•          numpy.clip
•          numpy.sqrt
•          numpy.cbrt
•          numpy.square
•          numpy.absolute
•          numpy.fabs
•          numpy.sign
•          numpy.heaviside
•          numpy.maximum
•          numpy.minimum
•          numpy.fmax
•          numpy.fmin
•          numpy.nan_to_num
•          numpy.real_if_close
•          numpy.interp
•    Matrix library (numpy.matlib)
•    Miscellaneous routines
•    Padding Arrays
•    Polynomials
•    Random sampling (numpy.random)
•    Set routines
•    Sorting, searching, and counting
•    Statistics
•    Test Support (numpy.testing)
•    Window functions
• Packaging (numpy.distutils)
• NumPy Distutils - Users Guide
• NumPy C-API
• NumPy内部
• NumPy和SWIG

numpy.i0（x ）[来源] ¶

第一种修改的Bessel函数，阶数为0。

通常表示为。该函数可以广播，但不会 “向上转换” int dtype参数，除非伴随至少一个float或complex dtype参数（请参见下文的“引发”）。

参量

x array_like，dtype float或complex

贝塞尔函数的参数。

退货

out ndarray，shape = x.shape，dtype = x.dtype

修改后的Bessel函数在x的每个元素处求值。

加薪

TypeError：无法将数组安全地强制转换为所需的类型

如果参数仅由int dtypes组成。

也可以看看

scipy.special.i0，scipy.special.iv，scipy.special.ive

笔记

建议在此函数上使用scipy实现：这是一个用C编写的适当的ufunc，速度快了一个数量级。

我们使用由Clenshaw [1]发表并由Abramowitz和Stegun [2]引用的算法，针对该算法，功能域被划分为两个区间[0,8]和（8，inf），并且Chebyshev多项式展开式用于每个间隔。使用IEEE算术在域[0,30]上的相对误差记录为[3]，具有5.8e-16的峰值和均方根值为1.4e-16（n = 30000）。

参考文献

1个

CW Clenshaw，“ Chebyshev数学函数系列”，在《 国家物理实验室数学表》中，第1卷。5，伦敦：英国女王Her下办公室，1962年。

2

M. Abramowitz和IA Stegun，《数学函数手册》，第10版，纽约：多佛，1964年，第379页 。http://www.math.sfu.ca/~cbm/aands/page_379.htm

3

http://kobesearch.cpan.org/htdocs/Math-Cephes/Math/Cephes.html

例子

>>> np.i0(0.)
array(1.0)  # may vary
>>> np.i0([0., 1. + 2j])
array([ 1.00000000+0.j        ,  0.18785373+0.64616944j])  # may vary