python用numpy生成均值为0、方差为1，包含10000个元素的正态分布的数组。

可以使用numpy库中的random模块生成符合正态分布的随机数，然后对这些随机数进行归一化处理，即可得到均值为0、方差为1的正态分布数组。具体实现代码如下：

import numpy as np

# 生成符合正态分布的随机数
arr = np.random.randn(10000)

# 对随机数进行归一化处理
arr = (arr - np.mean(arr)) / np.std(arr)

# 输出结果
print(arr)

其中，`np.random.randn(10000)`用于生成10000个符合标准正态分布的随机数，`np.mean(arr)`和`np.std(arr)`分别计算数组的均值和标准差，从而实现归一化处理。

相关问题

1.用numpy生成均值为0、方差为1，包含10000个元素的正态分布的数组。 2.用matplotlib创建一个包含1行2列子图的图片，每个子图要包含图例、网格、标题，左边子图画出上面数组的密度分布的直方图，并将标准正态分布的密度分布函数图像和上述直方图画在同一图中，标准正态分布的密度分布函数为 𝑓(𝑥)=12𝜋 ⎯ ⎯ ⎯ ⎯ √ 𝑒 −𝑥 2 2 f(x)=12πe−x22 3.图片右边子图画出标准正态分布的概率分布函数图，可以利用sicpy中的概率模块计算概率分布，概率分布函数为 𝐹(𝑥)=∫ 𝑥 −∞ 𝑓(𝑥)dx

好的，我理解了您的问题。下面是代码实现：

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

# 生成正态分布数组
data = np.random.normal(loc=0, scale=1, size=10000)

# 创建画布和子图
fig, axs = plt.subplots(1, 2, figsize=(10, 5))
fig.suptitle('正态分布')

# 左边子图
axs[0].hist(data, bins=50, density=True, alpha=0.6, label='密度分布')
x = np.linspace(-4, 4, 100)
axs[0].plot(x, norm.pdf(x), label='标准正态分布')
axs[0].legend()
axs[0].grid()
axs[0].set_title('密度分布')

# 右边子图
x = np.linspace(-4, 4, 100)
axs[1].plot(x, norm.cdf(x), label='概率分布')
axs[1].legend()
axs[1].grid()
axs[1].set_title('概率分布')

# 显示图像
plt.show()

解释一下代码：首先使用 numpy 生成正态分布数组，然后使用 matplotlib 创建一个包含 1 行 2 列子图的图片，每个子图包含图例、网格、标题。左边子图画出上面数组的密度分布的直方图，并将标准正态分布的密度分布函数图像和上述直方图画在同一图中。右边子图画出标准正态分布的概率分布函数图，利用 scipy 中的概率模块计算概率分布。最后显示图像。

生成均值为100，方差为15的正态分布，不要使用numpy库

可以使用Python自带的random库实现：

import random
import math

mean = 100
variance = 15

std_deviation = math.sqrt(variance)

# 生成一个随机数，服从均值为0，标准差为1的正态分布
u = random.random()

# 生成一个随机数，服从均值为0，标准差为1的正态分布
v = random.random()

# 使用 Box-Muller 变换将两个服从标准正态分布的随机数转化为服从指定均值和方差的正态分布的随机数
random_number = math.sqrt(-2 * math.log(u)) * math.cos(2 * math.pi * v) * std_deviation + mean

print(random_number)

其中，Box-Muller 变换是一种常见的生成正态分布随机数的方法。