本文實例講述了Python使用numpy產生正態分布隨機數的向量或矩陣操作。分享給大家供大家參考，具體如下：

簡單來說，正態分布（Normal distribution）又名高斯分布（Gaussian distribution），是一個在數學、物理及工程等領域都非常重要的概率分布，在統計學的許多方面有著重大的影響力。一般的正態分布可以通過標準正態分布配合數學期望向量和協方差矩陣得到。如下代碼，可以得到滿足一維和二維正態分布的樣本。

示例1（一維正態分布）：

# coding=utf-8'''作者：采石工來源：知乎'''import numpy as npfrom numpy.linalg import choleskyimport matplotlib.pyplot as pltsampleNo = 1000;# 一維正態分布# 下面三種方式是等效的mu = 3sigma = 0.1np.random.seed(0)s = np.random.normal(mu, sigma, sampleNo )plt.subplot(141)plt.hist(s, 30, normed=True)np.random.seed(0)s = sigma * np.random.randn(sampleNo ) + muplt.subplot(142)plt.hist(s, 30, normed=True)np.random.seed(0)s = sigma * np.random.standard_normal(sampleNo ) + muplt.subplot(143)plt.hist(s, 30, normed=True)# 二維正態分布mu = np.array([[1, 5]])Sigma = np.array([[1, 0.5], [1.5, 3]])R = cholesky(Sigma)s = np.dot(np.random.randn(sampleNo, 2), R) + muplt.subplot(144)# 注意繪制的是散點圖，而不是直方圖plt.plot(s[:,0],s[:,1],'+')plt.show()

運行結果：

示例2（正態分布）：

#-*- coding:utf-8 -*-# Python實現正態分布# 繪制正態分布概率密度函數import numpy as npimport matplotlib.pyplot as pltimport mathu = 0  # 均值μu01 = -2sig = math.sqrt(0.2) # 標準差δx = np.linspace(u - 3*sig, u + 3*sig, 50)y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)print xprint "="*20print y_sigplt.plot(x, y_sig, "r-", linewidth=2)plt.grid(True)plt.show()

運行結果：

更多關于Python相關內容感興趣的讀者可查看本站專題：《Python數據結構與算法教程》、《Python編碼操作技巧總結》、《Python函數使用技巧總結》、《Python字符串操作技巧匯總》及《Python入門與進階經典教程》

希望本文所述對大家Python程序設計有所幫助。