根据定义，正态分布从-inf扩展到+inf，因此您所要求的在数学上没有意义。
你可以取一个正态分布，然后取绝对值“裁剪”到正值，或者只是丢弃负值，但你应该明白，它将不再是正态分布。

我假设你的意思是你想修改概率密度，使它在正范围内与正常情况下的形状相同，而在负范围内为零。这是一个非常常见的实际案例。在这种情况下，不能简单地取生成的正态随机变量的绝对值。相反，你必须生成一个新的独立的正态分布数，直到你得到一个正数。一种方法是递归，见下文。
第一个月

如何使用对数正态分布：

mu = np.mean(np.log(list))
    sigma = np.std(np.log(list))

    new_list = np.random.lognormal(mu, sigma, length_of_new_list)

字符串

data = np.random.randint（low=1，high=100，size=（4，4），dtype='int'）

或者你可以通过减去min（或加上min的abs瓦尔）来将整个分布“向右移动”：

y = np.random.normal(0.0, 1.0, 10)

y
array([-0.16934484,  0.06163384, -0.29714508, -0.25917105, -0.0395456 ,
        0.17424635, -0.42289079,  0.71837785,  0.93113373,  1.12096384])

y - min(y)
array([0.25354595, 0.48452463, 0.12574571, 0.16371974, 0.38334519,
       0.59713714, 0.        , 1.14126864, 1.35402452, 1.54385463])

字符串

这个问题是合理的。对于动机，考虑simulations of biological cells。细胞中一种类型的分子的计数的分布可以通过正态分布来近似，但必须是非负的才有物理意义。
我的全模拟器使用这种方法来采样分子计数的初始分布：

def non_neg_normal_sample(random_state, mean, std, max_iters=1000):
    """ Obtain a non-negative sample from a normal distribution

    The distribution returned is normal for 0 <= x, and 0 for x < 0

    Args:
        random_state (:obj:`numpy.random.RandomState`): a random state
        mean (:obj:`float`): mean of the normal dist. to sample
        std (:obj:`float`): std of the normal dist. to sample
        max_iters (:obj:`int`, optional): maximum number of draws of the true normal distribution

    Returns:
        :obj:`float`: a normal sample that is not negative

    Raises:
        :obj:`ValueError`: if taking `max_iters` normal sample does not obtain one that is not negative
    """
    iter = 0
    while True:
        sample = random_state.normal(mean, std)
        iter += 1
        if 0 <= sample:
            return sample
        if max_iters <= iter:
            raise ValueError(f"{iter} draws of a normal dist. with mean {mean:.2E} and std {std:.2E} "
                             f"fails to obtain a non-negative sample")

字符串
我从两个方面来扩展@ gena-kukartsev的答案：首先，我避免了可能使调用堆栈溢出的递归。（让我们避免可能溢出stackoverflow堆栈的答案！第二，我通过限制分布的样本数量来捕捉可能的错误输入。

您可以将整个数组偏移数组的最小值（最左侧）。你得到的可能不是真正的“正态分布”，但是在你的工作范围内，处理有限数组，你可以确保值是正的，并且符合钟形曲线。

>>> mu,sigma = (0,1.0)
>>> s = np.random.normal(mu, 1.0, 100)
>>> s
array([-0.58017653,  0.50991809, -1.13431539, -2.34436721, -1.20175652,
        0.56225648,  0.66032708, -0.98493441,  2.72538462, -1.28928887])
>>> np.min(s)
-2.3443672118476226
>>> abs(np.min(s))
2.3443672118476226
>>> np.add(s,abs(np.min(s)))
array([ 1.76419069,  2.85428531,  1.21005182,  0.        ,  1.14261069,
        2.90662369,  3.00469429,  1.3594328 ,  5.06975183,  1.05507835])

字符串

您可以使用高位置和低比例：

np.random.normal(100, 10, 10) /100

[0.96568643 0.92123722 0.83242272 0.82323367 1.07532713 0.90125736
 0.91226052 0.90631754 1.08473303 0.94115643]

字符串

arr=np.random.normal(0,1,10)
arr[gdp_cap<0]=-arr[gdp_cap<0] #Just invert the elements less than 0
print(gdp_cap)

字符串