如何使用Python的matplotlib库绘制不同均值和标准差的正态分布图？请提供详细的代码示例。

在统计学中，正态分布是一种重要的连续概率分布，通过均值和标准差两个参数来描述其形状。为了帮助你更好地理解和展示正态分布的特性，可以参考以下资源：《Python绘制正态分布图：从理论到代码实现》。这个资料提供了从理论到实践的全面指导，教你如何使用Python绘制正态分布曲线。

参考资源链接：[Python绘制正态分布图：从理论到代码实现](https://wenku.csdn.net/doc/6401ad0ccce7214c316ee18b?spm=1055.2569.3001.10343)

绘制正态分布图的关键在于理解其概率密度函数，并利用数学计算库和绘图库来实现。在Python中，我们可以使用numpy库来生成数据点，并使用matplotlib库来绘制曲线。以下是一个具体的代码示例，展示了如何绘制具有不同均值和标准差的正态分布图：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# 定义均值和标准差数组
means = [0, 2, 4]
std_devs = [1, 1.5, 2]

# 创建x值范围
x = np.linspace(-10, 10, 100)

# 绘制多条正态分布曲线
for mu, sigma in zip(means, std_devs):
    y = norm.pdf(x, mu, sigma)
    plt.plot(x, y, label=f'μ={mu}, σ={sigma}')

# 添加图例
plt.legend()

# 添加标题和轴标签
plt.title('正态分布曲线')
plt.xlabel('数值')
plt.ylabel('概率密度')

# 显示图形
plt.show()

在这个示例中，我们使用了`scipy.stats`模块中的`norm.pdf`函数来计算正态分布的概率密度值。`x`变量是我们在一个范围内生成的等间距的数值点，用于绘制概率密度函数曲线。`mu`和`sigma`分别代表均值和标准差，我们通过循环它们的不同值来绘制多条曲线，并通过`plt.plot`函数将它们绘制在同一张图上。

通过运行上述代码，你可以清晰地看到均值和标准差变化对正态分布曲线形状的影响。均值决定了曲线的中心位置，而标准差则决定了曲线的宽度：标准差越大，曲线越宽；标准差越小，曲线越窄。

如果你希望进一步学习关于正态分布的更多细节，包括如何从数据中估计均值和标准差，以及如何应用正态分布在不同的统计测试中，我建议你继续探索《Python绘制正态分布图：从理论到代码实现》这一资料。这份资源不仅为你提供了理论基础，还包括了多个实战案例和代码，帮助你全面掌握正态分布的知识。

参考资源链接：[Python绘制正态分布图：从理论到代码实现](https://wenku.csdn.net/doc/6401ad0ccce7214c316ee18b?spm=1055.2569.3001.10343)