用 numpy 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并多次运行程序观察图形的效果；

好的，我会按照您的要求进行操作。下面是代码实现和图形展示：

import numpy as np
import matplotlib.pyplot as plt

# 产生均值为2，标准差为5的正态分布
mean, std = 2, 5
data = np.random.normal(mean, std, 100).astype(int)

# 绘制直方图
plt.hist(data, bins=20, density=True, color='blue', alpha=0.5)
plt.title('Histogram of Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Probability')

# 绘制概率密度曲线
x = np.linspace(data.min(), data.max(), 100)
y = 1 / (std * np.sqrt(2 * np.pi)) * np.exp(-0.5 * ((x - mean) / std) ** 2)
plt.plot(x, y, color='red')

plt.show()

多次运行程序，可以发现每次生成的数据会有所不同，但整体分布趋势基本相似。以下是一次运行的结果：


相关问题

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：