利用Python的random_normal()函数生成20个符合正态分布的随机值集合

Python的random_normal()函数是numpy库中的函数，用于生成符合正态分布的随机数。

要使用random_normal()函数，首先需要安装和导入numpy库。可以通过pip install numpy命令进行安装，然后使用import numpy as np导入库。

random_normal()函数的语法如下：

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

其中，loc表示正态分布的均值，默认为0；scale表示正态分布的标准差，默认为1；size表示输出的随机数的形状，默认为None。

下面是一个使用random_normal()函数生成20个符合正态分布的随机数的例子：

import numpy as np

# 生成20个符合正态分布的随机数，均值为10，标准差为2
random_numbers = np.random.random_normal(loc=10, scale=2, size=20)

# 打印生成的随机数
print(random_numbers)

上述代码中，loc参数设置为10，表示生成的随机数的均值为10；scale参数设置为2，表示生成的随机数的标准差为2；size参数设置为20，表示生成20个随机数。

运行上述代码，可以得到类似如下的输出：

[10.85861863 11.39920989  8.82342241  8.50381076 11.03838001  5.9858507
 11.34119292 10.7306828  12.04310218  7.82188231  9.03475289 10.93232119
  9.26346922  9.84165547  9.87510036  7.79582671 12.50247119 11.29943075
  8.95425217 11.25610941]

可以看到，生成的随机数符合正态分布，且均值接近于10，标准差接近于2。

除了生成符合指定均值和标准差的随机数之外，random_normal()函数还可以用于生成多维数组的随机数。可以通过设置size参数的值为一个元组来指定输出的随机数的形状。

例如，以下代码生成一个形状为(3, 4)的二维数组，其中的随机数符合正态分布：

import numpy as np

# 生成形状为(3, 4)的二维数组，随机数符合正态分布，均值为0，标准差为1
random_numbers = np.random.random_normal(size=(3, 4))

# 打印生成的随机数
print(random_numbers)

运行上述代码，可以得到类似如下的输出：

[[ 0.02624983  0.03595439 -1.58180062 -0.06389099]
 [ 0.20042042 -1.38002596  2.06306798 -0.7977072 ]
 [-0.67474467  0.43910725 -0.23037826 -0.21748742]]

可以看到，生成的二维数组中的随机数符合正态分布，且均值接近于0，标准差接近于1。

总结起来，利用Python的random_normal()函数可以方便地生成符合正态分布的随机数，可以根据需要设置均值、标准差和输出随机数的形状。这在很多数据分析、机器学习和统计建模等领域是非常有用的。