在Python中，你可以使用`numpy`库的`numpy.random.normal`函数来生成服从正态分布的随机数。以下是一些基本的使用方法：
1. 生成单个正态分布随机数：
```python
import numpy as np
mean = 0 均值
std_dev = 1 标准差
random_number = np.random.normal（mean, std_dev）
print（random_number）
2. 生成多个正态分布随机数：```pythonimport numpy as np
mean = 0
std_dev = 1
num_samples = 10
random_numbers = np.random.normal（mean, std_dev, num_samples）
print（random_numbers）
3. 生成指定维度的正态分布矩阵：
```python
import numpy as np
def rand_Matrix（rows, cols）:
return np.random.normal（0, 1, （rows, cols））
生成2x3矩阵
rand_matrix = rand_Matrix（2, 3）
print（rand_matrix）
4. 设置随机数种子以获得可复现的结果：```pythonimport numpy as np
np.random.seed（123）
random_numbers = np.random.normal（0, 1, 10）
print（random_numbers）
5. 使用`random`模块生成正态分布随机数（注意：这是Python内置的`random`模块，不是`numpy`）：
```python
import random
normal_variate = random.normalvariate（0, 1）
print（normal_variate）
6. 进行正态性检验（例如使用Shapiro-Wilk检验）：```pythonfrom scipy import stats
data = np.random.normal（0, 1, 1000）
stat, p = stats.shapiro（data）
print（'Statistics=%.3f, p=%.3f' % （stat, p））
以上代码展示了如何在Python中使用`numpy`生成正态分布的随机数，并进行了简单的正态性检验。