不能用包，要自己写一个代码，要用条件分布的性质来生成，再给出代码

如果你想通过条件分布的性质自行编写代码生成高维多元正态分布，可以利用Cholesky分解（也称为因子分解）来处理对称正定的协方差矩阵。由于对角矩阵是特别简单的对称正定矩阵，我们可以先生成一组标准正态分布的随机数据，然后乘以协方差矩阵的Cholesky分解结果。以下是使用基础统计库`stats`和`numpy`（Python版本）实现这一过程的一个例子：

**Python代码：**

import numpy as np
from scipy.linalg import cholesky

def generate_multivariate_normal(n_samples, n_features, mean=0, cov=None):
    if cov is None:  # 对角矩阵，使用对角元素为0.5的情况
        cov = np.diag(np.ones(n_features) * 0.5)
    else:
        assert np.allclose(np.tril(cov) + np.triu(cov, k=1), 0), "输入不是对角矩阵"

    # Cholesky分解
    chol_cov = cholesky(cov, lower=True)

    # 标准正态分布随机向量
    std_norm_random = np.random.randn(n_samples, n_features)

    # 应用Cholesky分解
    multivariate_samples = mean + np.dot(std_norm_random, chol_cov)

    return multivariate_samples

# 示例：生成10000个100维的正态分布样本
n_samples = 10000
n_features = 100
mean = np.zeros(n_features)
cov = np.eye(n_features) * 0.5
X = generate_multivariate_normal(n_samples, n_features, mean, cov)

这个代码首先检查输入的协方差矩阵是否是对角的，如果是，则创建一个对角矩阵；接着计算其Cholesky分解，然后生成对应维度的标准正态随机数并应用到Cholesky分解的结果上，得到最终的多元正态分布样本。