用 scipy.stats 方法产生均值为 2 标准差为 5 的正态分布的随机整数 100 个，并绘制出对应的直方图和概率密度曲线

好的，我来为您解答这个问题。

首先，我们需要导入必要的库：

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

接着，我们可以使用 `norm.rvs()` 方法来生成均值为 2 标准差为 5 的正态分布的随机整数 100 个：

mean = 2
std = 5
size = 100
data = norm.rvs(loc=mean, scale=std, size=size).astype(int)

这里，`loc` 参数指定分布的均值，`scale` 参数指定分布的标准差，`size` 参数指定随机整数的个数，`.astype(int)` 方法将随机数转化为整数类型。

接着，我们可以使用 `plt.hist()` 方法来绘制直方图：

plt.hist(data, bins=10, density=True, alpha=0.6, color='g')
plt.title('Histogram of Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Frequency')

这里，`bins` 参数指定直方图的柱子数量，`density` 参数指定是否绘制概率密度曲线，`alpha` 参数指定柱子的透明度，`color` 参数指定柱子的颜色。

最后，我们可以使用 `norm.pdf()` 方法来绘制概率密度曲线：

x = np.linspace(mean - 3*std, mean + 3*std, 100)
plt.plot(x, norm.pdf(x, mean, std), 'r-', lw=2)
plt.show()

这里，`x` 是横坐标，`norm.pdf()` 方法用于计算概率密度值。

完整的代码如下：

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

mean = 2
std = 5
size = 100
data = norm.rvs(loc=mean, scale=std, size=size).astype(int)

plt.hist(data, bins=10, density=True, alpha=0.6, color='g')
plt.title('Histogram of Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Frequency')

x = np.linspace(mean - 3*std, mean + 3*std, 100)
plt.plot(x, norm.pdf(x, mean, std), 'r-', lw=2)

plt.show()

运行后，会得到一张包含直方图和概率密度曲线的图形，如下所示：