numpy.random.normal

numpy.random.normal 是 NumPy 库中的一个函数，用于生成符合正态分布（也称为高斯分布）的随机数。该函数的语法如下：

numpy.random.normal(loc=0.0, scale=1.0, size=None)

其中，loc 表示正态分布的均值，scale 表示正态分布的标准差，size 表示生成的随机数的数量或形状。例如，如果我们想生成一个均值为 0、标准差为 1，形状为 (2, 3) 的正态分布随机数数组，可以这样调用该函数：

import numpy as np

arr = np.random.normal(loc=0.0, scale=1.0, size=(2, 3))
print(arr)

输出结果可能如下所示：

[[ 1.76405235  0.40015721  0.97873798]
 [ 2.2408932   1.86755799 -0.97727788]]

相关问题

numpy.random.normal()和random.gauss()、scipy.stats.norm.rvs() numpy.random.uniform()和random.uniform()、scipy.stats.uniform.rvs() 以上两类的不同分别是什么

这两类函数的不同主要体现在它们所属的库以及参数的设置上。

1. `numpy.random.normal()` 和 `random.gauss()`、`scipy.stats.norm.rvs()` 的区别：
- 所属库不同：`numpy.random.normal()` 属于 NumPy 库的 random 模块，而 `random.gauss()` 和 `scipy.stats.norm.rvs()` 分别属于 Python 内置的 random 模块和 SciPy 库的 stats 模块。
- 参数设置略有不同：`numpy.random.normal()` 需要指定均值和标准差作为参数，而 `random.gauss()` 和 `scipy.stats.norm.rvs()` 则分别需要指定均值和标准差或者位置和尺度作为参数。其中，`scipy.stats.norm.rvs()` 还可以通过 loc 和 scale 参数来指定均值和标准差。

2. `numpy.random.uniform()` 和 `random.uniform()`、`scipy.stats.uniform.rvs()` 的区别：
- 所属库不同：`numpy.random.uniform()` 属于 NumPy 库的 random 模块，而 `random.uniform()` 和 `scipy.stats.uniform.rvs()` 分别属于 Python 内置的 random 模块和 SciPy 库的 stats 模块。
- 参数设置略有不同：`numpy.random.uniform()` 需要指定最小值和最大值作为参数，而 `random.uniform()` 和 `scipy.stats.uniform.rvs()` 则分别需要指定最小值和最大值或者 loc 和 scale 作为参数。其中，`scipy.stats.uniform.rvs()` 还可以通过 loc 和 scale 参数来指定最小值和最大值。

虽然这些函数的功能相似，都用于生成随机数，但具体使用时可以根据自己的需求和使用习惯选择适合的函数。

python中numpy.random.normal()正态分布

numpy.random.normal() 是用来生成符合正态分布的随机数的函数，其函数原型为：

numpy.random.normal(loc=0.0, scale=1.0, size=None)

其中，loc 表示正态分布的均值，scale 表示正态分布的标准差，size 表示生成的随机数的个数。

例如，生成一个均值为 2，标准差为 3 的正态分布随机数序列：

import numpy as np
x = np.random.normal(loc=2, scale=3, size=10)
print(x)

输出：

[ 5.45527438  0.4294196   2.95377819 -5.87792558  3.50249989 -0.88993025
 -0.62687067  0.51272534  4.96118206  2.16785125]

其中，每个随机数的值都符合均值为 2，标准差为 3 的正态分布。