np.random.normal 是生成标准正态样本最直接的方法，参数为 loc（均值）、scale（标准差）、size，需注意 scale 非方差；推荐使用 Generator + SeedSequence 控制随机性；截断正态应调用 scipy.stats.truncnorm 而非布尔索引过滤。
用 np.random.normal 生成标准正态样本最直接
如果你只需要服从均值为 0、标准差为 1 的正态分布数据，np.random.normal 是首选。它底层调用 Box-Muller 或 Ziggurat 算法，速度快且数值稳定。
常见错误是混淆参数顺序：np.random.normal(loc, scale, size) 中 loc 是均值（不是下界），scale 是标准差（不是方差）。传入 scale=4 得到的是标准差为 4 的分布，不是方差为 4。
- 生成 1000 个标准正态随机数：
np.random.normal(0, 1, 1000) - 生成 2×3 矩阵，均值为 5、标准差为 2：
np.random.normal(5, 2, (2, 3)) - 注意：NumPy 1.17+ 默认使用 PCG64 随机数生成器，若需复现结果，必须显式传入
generator或用np.random.seed()（后者已不推荐）
需要严格控制随机性？用 Generator + SeedSequence
旧写法 np.random.seed(42) 是全局状态，多线程或模块间易冲突；新 API 更安全、可复现性更强。
关键点在于：不能直接对 Generator 实例调用 .normal()，必须通过其 normal 方法（它是绑定方法）。
立即学习“Python免费学习笔记（深入）”；
- 正确方式：
rng = np.random.default_rng(42) samples = rng.normal(0, 1, 1000)
- 错误方式：
np.random.Generator.normal(0, 1, 1000)—— 会报TypeError: normal() missing 1 required positional argument: 'self' - 若需跨进程/跨实验复现，用
SeedSequence派生子种子：ss = np.random.SeedSequence(42); rng = np.random.default_rng(ss.spawn(1)[0])
想模拟带截断的正态分布？别硬改 normal 输出
直接生成再过滤（如 arr[arr > 0]）会破坏样本量和分布形状，尤其截断比例大时偏差明显。这不是“正态分布模拟”，只是“正态采样后丢弃”。
真正需要截断正态（Truncated Normal），应使用 scipy.stats.truncnorm，它基于逆变换采样，保证密度函数在区间内按比例缩放。
- 生成下界 0、上界 3、均值 1、标准差 0.5 的截断正态样本：
from scipy.stats import truncnorm a, b = (0 - 1) / 0.5, (3 - 1) / 0.5 # 转为标准空间的上下界 samples = truncnorm.rvs(a, b, loc=1, scale=0.5, size=1000)
- NumPy 本身不提供截断逻辑，强行用布尔索引后重采样至目标长度，会导致尾部信息丢失，且无法保证统计一致性
性能敏感场景：批量生成比循环调用快一个数量级
每调用一次 np.random.normal 都有固定开销。若需不同参数组合（比如每组 100 个、共 1000 组），避免写 for 循环反复调用。
更优解是向量化生成：先构造参数网格，再用广播或分块处理。虽然 normal 不支持向量化参数，但可通过 np.broadcast_arrays + 手动缩放标准正态基样本来实现。
- 低开销做法：先生成大量标准正态基样本
z = rng.standard_normal((1000, 100))，再用mu + sigma * z广播变换 - 错误直觉：“每次只生成 100 个更省内存”——实际内存差异微小，而 Python 层循环调用开销远高于 NumPy 向量化计算
- 注意
standard_normal和normal(0, 1, ...)数值等价，但前者少一次参数解析，略快
复杂点在于：分布形态要求（比如截断、混合、条件生成）一旦超出 np.random.normal 能力边界，就必须切换工具链，而不是强行在 NumPy 里 patch。这点容易被忽略——很多人卡在“为什么我删掉负数后直方图歪了”，却没意识到问题本质不在代码而在分布定义。
