先看伟大的高斯分布（Gaussian Distribution）的概率密度函数（probability density function）：
对应于numpy中：
numpy.random.normal(loc=0.0, scale=1.0, size=None)
参数的意义为：
loc：float
此概率分布的均值（对应着整个分布的中心centre）
scale：float
此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
输出的shape，默认为None，只输出一个值
我们更经常会用到的np.random.randn(size)所谓标准正态分布
对应于np.random.normal(loc=0, scale=1, size)。
采样（sampling）
# 从某一分布（由均值和标准差标识）中获得样本 mu, sigma = 0, .1 s = np.random.normal(loc=mu, scale=sigma, size=1000)
也可使用scipy库中的相关api（这里的类与函数更符合数理统计中的直觉）：
import scipy.stats as st mu, sigma = 0, .1 s = st.norm(mu, sigma).rvs(1000)
校验均值和方差：
>>> abs(mu < np.mean(s)) < .01
True
>>> abs(sigma-np.std(s, ddof=1)) < .01
True
# ddof，delta degrees of freedom，表示自由度
# 一般取1，表示无偏估计，
拟合
我们看使用matplotlib.pyplot便捷而强大的语法如何进行高斯分布的拟合：
import matplotlib.pyplot as plt
count, bins, _ = plt.hist(s, 30, normed=True)
# normed是进行拟合的关键
# count统计某一bin出现的次数，在Normed为True时，可能其值会略有不同
plt.plot(bins, 1./(np.sqrt(2*np.pi)*sigma)*np.exp(-(bins-mu)**2/(2*sigma**2), lw=2, c='r')
plt.show()
或者：
s_fit = np.linspace(s.min(), s.max()) plt.plot(s_fit, st.norm(mu, sigma).pdf(s_fit), lw=2, c='r')
np.random.normal()的含义及实例
这是个随机产生正态分布的函数。（normal 表正态）
先看一下官方解释：
有三个参数
loc：正态分布的均值，对应着这个分布的中心.代表下图的μ
scale：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线 越矮胖，scale越小，曲线越高瘦。 代表下图的σ
size：你输入数据的shape，例子：
下面展示一些 内联代码片。
// An highlighted block a=np.random.normal(0, 1, (2, 4)) print(a) 输出： [[-0.29217334 0.41371571 1.26816017 0.46474676] [ 1.33271487 0.80162296 0.47974157 -1.49748788]]
看这个图直观些：
以下为官方文档：
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。