编写一个函数，能判断一个整型数组内的数据是否符合正态分布。

在统计学中，判断一个整数数组的数据是否符合正态分布通常需要对数据进行一些统计分析，比如计算平均值、标准差以及绘制直方图进行可视化检查。然而，由于计算机程序无法直接确定一组离散数据是否完美符合连续的概率分布，我们通常会使用一种近似的方式来评估。

以下是一个简单的Python函数，使用Shapiro-Wilk检验来进行非参数正态性测试。这个检验假设如果数据来自正态分布，其顺序应该接近随机抽取的样本。函数返回一个p值，如果p值大于某个阈值（如0.05），则可以认为数据可能是正态分布的：

import scipy.stats as stats

def is_normal(arr, threshold=0.05):
    # Shapiro-Wilk 检验
    w, p = stats.shapiro(arr)
    
    # 如果p值大于阈值，认为数据接近正态分布
    if p > threshold:
        return True
    else:
        return False, p  # 返回结果和显著性水平

# 示例使用
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]  # 假设这是你要检查的一组数据
is_normal_result = is_normal(data)
if is_normal_result[0]:
    print(f"数据可能符合正态分布(p={is_normal_result[1]:.4f})")
else:
    print("数据可能不符合正态分布")