normalvariate 是 Python 标准库 random 模块中的一个函数，用于生成一个正态分布（或称高斯分布）的随机浮点数。
（图片来源网络，侵删）
你可以把它想象成一个“会生成符合特定规律的随机数”的工具，这个“特定规律”就是正态分布，也常被称为“钟形曲线”。
函数签名
random.normalvariate(mu, sigma)
参数说明
-
mu(μ): 均值- 这是正态分布的中心位置,也是生成数据的理论平均值。
- 它决定了钟形曲线的对称轴在哪里。
- 如果
mu=0，那么生成的数据将围绕 0 分布；mu=100，数据将围绕 100 分布。
-
sigma(σ): 标准差- 这是衡量数据分散程度的指标。
- 它决定了钟形曲线的“胖瘦”程度。
sigma越小，生成的数据点越集中在均值mu附近，曲线越“瘦高”。sigma越大，生成的数据点越分散，曲线越“矮胖”。- 重要提示：
sigma必须是一个非负数 (>= 0)。
返回值
- 返回一个浮点数,这个数是从指定的正态分布中随机抽取的一个样本。
使用示例
下面我们通过几个例子来直观地理解 normalvariate 的用法。
（图片来源网络，侵删）
示例 1：基本用法
生成一个均值为 0，标准差为 1 的随机数，这被称为标准正态分布。
import random
# 生成一个标准正态分布的随机数
random_number = random.normalvariate(0, 1)
print(f"生成的随机数: {random_number}")
# 可能的输出: 0.843, -1.254, 0.012 等
示例 2：不同参数的影响
我们来生成 1000 个数据点，分别观察不同 mu 和 sigma 的影响。
import random import matplotlib.pyplot as plt # 设置一个固定的随机种子，确保每次运行结果一致，便于对比 random.seed(42) # 场景1: 均值为10，标准差为2 data1 = [random.normalvariate(10, 2) for _ in range(1000)] # 场景2: 均值为10，标准差为5 data2 = [random.normalvariate(10, 5) for _ in range(1000)] # 场景3: 均值为20，标准差为2 data3 = [random.normalvariate(20, 2) for _ in range(1000)] # 绘制直方图来观察分布 plt.figure(figsize=(15, 5)) # 图1: 均值相同，标准差不同 plt.subplot(1, 3, 1) plt.hist(data1, bins=30, alpha=0.7, label='mu=10, sigma=2') plt.hist(data2, bins=30, alpha=0.7, label='mu=10, sigma=5')'相同均值，不同标准差') plt.legend() # 图2: 标准差相同，均值不同 plt.subplot(1, 3, 2) plt.hist(data1, bins=30, alpha=0.7, label='mu=10, sigma=2') plt.hist(data3, bins=30, alpha=0.7, label='mu=20, sigma=2')'相同标准差，不同均值') plt.legend() # 图3: 三个分布对比 plt.subplot(1, 3, 3) plt.hist(data1, bins=30, alpha=0.5, label='mu=10, sigma=2') plt.hist(data2, bins=30, alpha=0.5, label='mu=10, sigma=5') plt.hist(data3, bins=30, alpha=0.5, label='mu=20, sigma=2')'三个分布对比') plt.legend() plt.tight_layout() plt.show()
从上图可以清晰地看到：
- 图1：两个分布的中心都在 10，但
sigma=5的分布比sigma=2的分布更“胖”,数据更分散。 - 图2：两个分布的胖瘦程度（标准差）相同，但
mu=20的整个分布向右平移了 10 个单位。 - 图3：综合展示了
mu和sigma对分布形状和位置的影响。
normalvariate vs. gauss (另一个生成正态分布的函数)
在 random 模块中，还有一个功能几乎完全相同的函数叫 gauss。
（图片来源网络，侵删）
random.gauss(mu, sigma)
它们的区别主要在于性能和底层实现：
| 特性 | normalvariate(mu, sigma) |
gauss(mu, sigma) |
|---|---|---|
| 性能 | 较慢 | 更快 |
| 底层算法 | 使用不同的算法，可能稍慢 | 使用更高效的算法 |
| 线程安全 | 是 | 不是 |
总结与建议：
- 在绝大多数情况下，推荐使用
gauss，因为它更快，性能更好，除非你有特殊理由（比如需要严格的线程安全，尽管gauss的非线程安全在实践中影响很小），否则gauss是更好的选择。 normalvariate的存在更多是出于历史兼容性。
实际应用场景
正态分布在现实世界中无处不在，normalvariate 因此在许多领域都有应用：
-
模拟数据：
- 模拟一群人的身高（均值约175cm，标准差约7cm）。
- 模拟考试分数（假设均分为75分，标准差为10分）。
- 模拟测量误差（如测量一个物体的长度，误差通常围绕真实值呈正态分布）。
-
机器学习与数据科学：
- 权重初始化：在神经网络中，常常使用正态分布来初始化模型的权重,帮助模型更好地开始训练。
- 生成合成数据：当真实数据不足时,可以生成符合正态分布的合成数据来扩充数据集。
-
金融建模：
模拟资产价格的日收益率，通常假设其服从正态分布（尽管实际情况可能更复杂）。
完整代码示例
import random
import statistics
# 1. 生成一组正态分布的数据
# 模拟100名学生的身高，均值为170cm，标准差为5cm
heights = [random.normalvariate(170, 5) for _ in range(100)]
print("生成的部分身高数据 (前10个):")
print(heights[:10])
# 2. 分析生成的数据
mean_height = statistics.mean(heights)
stdev_height = statistics.stdev(heights)
print(f"\n生成数据的统计结果:")
print(f"样本均值: {mean_height:.2f} cm") # 应该接近 170
print(f"样本标准差: {stdev_height:.2f} cm") # 应该接近 5
# 3. 与标准正态分布对比
print("\n--- 生成一个标准正态分布的随机数 ---")
standard_normal_num = random.normalvariate(0, 1)
print(f"标准正态分布 (mu=0, sigma=1) 的一个随机数: {standard_normal_num:.4f}")
# 4. 使用更快的 gauss 函数
print("\n--- 使用 gauss 函数生成随机数 ---")
gauss_num = random.gauss(100, 15)
print(f"使用 gauss(mu=100, sigma=15) 生成的随机数: {gauss_num:.2f}")
重要注意事项
- 不要用于密码学：
random模块生成的伪随机数不适合用于安全相关的场景（如生成验证码、密钥等），应使用secrets模块。 - 性能考虑：如前所述，在需要大量生成正态随机数时，优先考虑
gauss。 - 参数合法性：确保
sigma是非负数，否则会抛出ValueError。
