利用Python中的random_normal()函数生成20条正态分布数据样本

在Python中，我们可以使用random库中的random_normal()函数生成正态分布的随机样本。该函数的语法如下：

random.gauss(mu, sigma)

其中mu是正态分布的均值，sigma是正态分布的标准差。这个函数会返回一个符合正态分布的随机数。

下面是一个使用random_normal()函数生成20条正态分布数据样本的例子：

import random

# 设置正态分布的均值和标准差
mu = 0
sigma = 1

# 生成20条正态分布数据样本
samples = [random.gauss(mu, sigma) for _ in range(20)]

# 打印生成的样本
print(samples)

运行上述代码，会输出一个包含20个正态分布样本的列表。每次运行的结果可能略有不同，因为每次都是根据正态分布生成随机数。

这里我们设置了均值mu为0，标准差sigma为1，所以生成的样本集中在0附近并且标准差为1。如果我们修改这两个参数，生成的样本会有所变化。

如果要生成更多的正态分布样本，只需修改range()函数中的参数即可。比如，如果要生成100条样本，可以将代码中的range(20)改为range(100)。

除了使用random_normal()函数，我们还可以使用numpy库中的random模块来生成正态分布样本。numpy库中有更多的函数用于生成各种分布的随机样本。下面是一个使用numpy生成正态分布样本的例子：

import numpy as np

# 设置正态分布的均值和标准差
mu = 0
sigma = 1

# 生成20条正态分布数据样本
samples = np.random.normal(mu, sigma, 20)

# 打印生成的样本
print(samples)

这段代码和前面的例子很相似，只是使用了numpy库中的random模块来生成样本。这个模块提供了一些功能更强大的函数来生成各种分布的随机样本。

综上所述，我们可以使用random库中的random_normal()函数或者numpy库中的random模块来生成正态分布的随机样本。这些函数都非常方便，只需要设置均值和标准差就可以生成所需数量的样本。使用这些函数可以方便地进行统计分析和建模等数据分析任务。