先說結論：
numpy.random.normal 對應的是 正態分布，numpy.random.randn 對應的是標準正態分布，所以 numpy.random.randn 是 numpy.random.normal 的一個特例。
1. numpy.random.normal
從正態（高斯）分布中抽取隨機樣本。
random.normal(loc=0.0, scale=1.0, size=None)
正態分布的概率密度函數最早由棣莫弗（De Moivre）推導得出，200 年后由高斯（Gauss）和拉普拉斯（Laplace）各自獨立推導出來。由于其特有的形狀特征，該函數常被稱為鐘形曲線。
正態分布現象在自然界中經常出現。例如，它描述了受大量微小且隨機干擾影響的樣本的常見分布情況，每個干擾都有其獨特的分布特征。
參數：
loc: 浮點數或浮點數數組
分布的“中心”值（均值）
scale: 浮點數或浮點數數組
分布的標準差（離散程度或“寬度”）。必須為非負值。
size: 整數或整數元組（可選）
輸出形狀。如果給定的形狀為 (m, n, k)，那么會抽取 m * n * k 個樣本。如果 size 為 None（默認值），且 loc 和 scale 都是標量，則返回一個值。否則，會抽取 np.broadcast(loc， scale).size 個樣本。
返回值：
輸出一個 ndarray 或 標量 (scalar)
從參數化正態分布中抽取樣本。
筆記：
高斯分布的概率密度是：
其中，μ是均值，σ是標準差，標準差的平方σ2叫做方差。
驗證均值和標準差
展示樣本的直方圖，以及概率密度函數
具有均值為 3、標準差為 2.5 的正態分布的 2×4 樣本數組
2. numpy.random.randn
random.randn(d0, d1, ..., dn)
從 標準正態 分布中返回一個（或多個）樣本。
如果提供了正整數類型的參數，randn 函數會生成一個形狀為(d0, d1, ..., dn)的數組，其中包含從均值為 0、方差為 1 的單變量正態分布中抽取的隨機浮點數。如果未提供任何參數，則會返回從該分布中隨機抽取的一個浮點數。
參數：
d0, d1, …, dn：整數，可選
返回數組的維度必須為非負值。如果未給出任何參數，則返回一個 Python 浮點數。
返回值：
Z：ndarray 或 float
一個由標準正態分布的浮點樣本構成的（d0，d1，...，dn）形狀的數組，或者如果未提供參數則為單個此類浮點數。
對于具有均值為 μ 、標準差為 σ 的正態分布的隨機樣本，使用以下公式：
σ * np.random.randn(...) + μ
)
)
