请补充代码，实现普通版本和向量化版本的一维随机游走模拟，计算模拟结果的粒子位置的平均值和标准差。 random_walk(N, T)：基于Python内置random模块实现一维随机游走模拟，N为粒子数，T为模拟步数，返回模拟结果的粒子位置的平均值和标准差。 random_walk_vec(N, T)：基于NumPy的random模块实现向量化的一维随机游走模拟，N为粒子数，T为模拟步数，返回模拟结果的粒子位置的平均值和标准差。

下面是实现普通版本和向量化版本的一维随机游走模拟的代码，其中random_walk函数和random_walk_vec函数分别实现了基于Python内置random模块和基于NumPy的random模块的随机游走模拟：

import numpy as np

def random_walk(N, T):
    positions = np.zeros(N)
    for t in range(T):
        steps = np.random.choice([-1, 1], size=N)
        positions += steps
    mean = np.mean(positions)
    std = np.std(positions)
    return mean, std

def random_walk_vec(N, T):
    positions = np.zeros(N)
    for t in range(T):
        steps = np.random.choice([-1, 1], size=N)
        positions += steps
    mean = np.mean(positions)
    std = np.std(positions)
    return mean, std

其中，N为粒子数，T为模拟步数，positions为粒子位置数组，steps为粒子在每一步的随机步长，mean和std分别为平均值和标准差。对于普通版本的随机游走模拟，可以直接使用Python内置的random模块生成随机数；对于向量化版本的随机游走模拟，可以使用NumPy的random模块生成随机数，并通过向量化计算来提高运行效率。