numpy.random.normal()官方文档翻译

numpy.random.normal(loc=0.0, scale=1.0, size=None)

从正态分布（高斯分布）中抽取随机样本。

正态分布的概率密度函数，是De Moivre首次推导得出，并于200年后Gauss和Laplace分别独立推导出。由于它特殊的形状，常被称为钟形曲线。

正态分布在自然界中很常见。比如，它描述了受大量微小随机干扰影响的样本的常见分布，并且每个干扰都有自己独特的分布。

Parameters
	loc  [float or array_like of floats]  分布的中值("centre")。
	scale  [float or array_like of floats]  分布的标准差(spread or "width")。
	size [int or tuple of ints, optional]  输出的形式(shape)。如果给定的形式为(m, n, k)，那么m*n*k个样本将被提取出来；如果其值为None(default)，并且参数loc和scale均为纯量(scalars)，则返回一个样本；否则，np.broadcast(loc, scale).size个样本将被提取出来。

Returns
	out  [ndarry or scalar] 从参数化的正态分布中提取样本。

注：官方文档中关于正态分布的内容没有进行翻译。

Examples
从分布中提取样本：

>>> mu, sigma = 0, 0.1    #mean and standard deviation
>>> s = np.random.normal(mu, sigma, 1000)

验证均值和标准差：

>>> abs(mu - np.mean(s)) < 0.01
True

>>> abs(sigma - np.std(s, ddof = 1)) < 0.01
True

绘出样本的直方图和概率密度函数:

>>> import matplotlib.pyplot as plt
>>> count, bins, ignored = plt.hist(s, 30, density=True)
>>> plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *
 						np.exp( - (bins - mu)**2 / (2 * sigma**2) ),
 						linewidth=2, color='r')
>>> plt.show()