NormalDist对象
正态分布简介（摘录自百度百科）： 正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），最早由棣莫弗（Abraham de Moivre）在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。 正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。 若随机变量X服从一个数学期望为μ、方差为σ²的正态分布，记为N(μ，σ²)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0，σ = 1时的正态分布是标准正态分布。
NormalDist对象可用于创建和操纵随机变量的正态分布。这个类将数据度量值的平均值和标准差作为单一实体来处理。
class statistics.NormalDist(mu=0.0, sigma=1.0) 返回一个新的NormalDist对象，其中mu代表算术平均值而sigma代表 标准差。 若sigma为负数，将会引发StatisticsError。
mean 一个只读特征属性，表示特定正态分布的算术平均值。
median 一个只读特征属性，表示特定正态分布的中位数。
mode 一个只读特征属性，表示特定正态分布的众数。
stdev 一个只读特征属性，表示特定正态分布的标准差。
variance 一个只读特征属性，表示特定正态分布的方差。等于标准差的平方。
classmethod from_samples(data) 传入使用 fmean() 和 stdev() 基于 data 估算出的 mu 和 sigma 形参创建一个正态分布实例。 data 可以是任何 iterable（可迭代对象） 并且应当包含能被转换为 float 类型的值。如果 data 不包含至少两个元素，则会引发 StatisticsError，因为估算中心值至少需要一个点而估算分散度至少需要两个点。
samples(n, *, seed=None) 对于给定的平均值和标准差生成 n 个随机样本。返回一个由 float 值组成的 list。 当给定 seed 时，创建一个新的底层随机数生成器实例。这适用于创建可重现的结果，即使对于多线程上下文也有效。 测试构造函数、属性和上面两个方法：
pdf(x) 累积分布函数和概率密度函数浅解： 如下图，如果用曲线和横轴所围成的图形面积为总概率，那么这条连续的曲线就是概率密度函数（图形表示的函数）；把面积与横轴绘制成函数曲线，就是积累分布函数。
概率密度函数图
累积分布函数图
使用概率密度函数(pdf)，计算一个随机变量X趋向于给定值x的相对可能性，即概率密度函数值，是概率密度函数图上一点；或累积分布函数在x点的斜率。 相对可能性的计算方法是样本在（累积分布函数）很窄范围内出现的概率除以范围的宽度（即“密度”一词）。由于相对可能性是相对于其他点的（是一个比值），因此其值可以大于1.0。如下图。
cdf(x) 使用累积分布函数(cdf)，计算一个随机变量 X 小于等于 x 的概率。在概率密度函数图中是负无穷到x点的面积；在积累分布函数图中是一点。
inv_cdf(p) 计算逆累积分布函数，也称为分位数函数或百分位函数。通俗地讲，就是解累积分布方程。找出随机变量X的值x，使得该变量小于等于该值的概率等于给定的概率p。
overlap(other) 计算两个正态概率分布之间的一致性。返回介于 0.0 和 1.0 之间的值，给出 两个概率密度函数的重叠区域。下图阴影部分面积。
quantiles(n=4) 将指定正态分布划分为 n 个相等概率的连续分隔区（即面积相等，而非横轴等距。）。返回这些分隔区对应的 (n - 1) 个分隔点的列表。 将 n 设为 4 以使用四分区（默认值）。将 n 设为 10 以使用10分区。将 n 设为 100 以使用100分区，即给出 99 个分隔点来将正态分布分隔为 100 个大小相等的组。
zscore(x) 计算标准分，即以高于或低于正态分布的平均值的标准差数值的形式来描述 x: (x - mean) / stdev。
NormalDist的实例支持加上、减去、乘以或除以一个常量。这些运算被用于转换和缩放。
加上或减去一个常量
可见，实例加减是加减到mu参数里， sigma保持不变。
乘以或除以一个常量
可见，实例的mu和sigma参数都乘以或除以这个常量。
不允许一个常量除以 NormalDist 的实例，因为结果将不是正态分布。
两个实例相加减 由于正态分布是由独立变量的累加效应产生的，因此允许表示为 NormalDist实例的两组独立正态分布的随机变量相加和相减。例如：
可见，mu参数相加减；sigma参数可能是进行图形合并所得，而且加与减的值是一样的。