写在前面
关于数据科学环境的建立，可以参考我的博客：
【深耕 Python】Data Science with Python 数据科学（1）环境搭建
往期数据科学博文：
【深耕 Python】Data Science with Python 数据科学（2）jupyter-lab和numpy数组
【深耕 Python】Data Science with Python 数据科学（3）Numpy 常量、函数和线性空间
【深耕 Python】Data Science with Python 数据科学（4）（书337页）练习题及解答
【深耕 Python】Data Science with Python 数据科学（5）Matplotlib可视化（1）
Jupyter代码片段1：标准分布
from numpy.random import default_rng
rng = default_rng()
n_pts = 50
x = rng.standard_normal(n_pts)
x
生成的x数组：
表格：
折线图：
Jupyter代码片段2：标准分布图像
import matplotlib.pyplot as plt
y = 5 * x + rng.standard_normal(n_pts)
fig, ax = plt.subplots()
ax.scatter(x, y)
plt.grid()
plt.show()
输出的图像：
Jupyter代码片段3：标准分布的直方图（1）
values = rng.standard_normal(1000)
fig, ax = plt.subplots()
ax.hist(values)
plt.grid()
plt.show()
输出的图像：
Jupyter代码片段4：标准分布的直方图（2）
通过调节绘图函数 hist(histogram) 的 bins 参数来改变图像的粒度（grain）。
fig, ax = plt.subplots()
ax.hist(values, bins=20)
plt.grid()
plt.show()
输出的图像：
参考文献 Reference
《Learn Enough Python to be Dangerous——Software Development, Flask Web Apps, and Beginning Data Science with Python》, Michael Hartl, Boston, Pearson, 2023.
