当我们研究一些随机变量时，通常会需要计算它们的概率密度函数。正态分布是一种常见的概率分布，它的概率密度函数描述了随机变量呈钟形分布的概率。在Python中，可以使用scipy库来计算正态分布的概率密度函数。
首先，需要导入必要的库：
from scipy.stats import norm
import numpy as np
import matplotlib.pyplot as plt
接下来，我们可以使用norm函数创建一个正态分布的随机变量对象。norm函数有两个必需的参数：正态分布的均值和标准差。例如，下面的代码创建了一个均值为0，标准差为1的正态分布对象：
mu, sigma = 0, 1
normal_dist = norm(mu, sigma)
创建了正态分布对象后，可以使用pdf方法计算指定点的概率密度值。下面的代码计算了在均值为0，标准差为1的正态分布中，取值为0的概率密度值：
x = 0
pdf_value = normal_dist.pdf(x)
print(pdf_value)
运行代码后，输出的结果将是0.3989422804014327，这是取值为0的概率密度值。
接下来，我们可以使用numpy库和matplotlib库来可视化正态分布的概率密度函数。下面的代码计算了均值为0，标准差为1的正态分布在-4到4之间的概率密度值，并绘制出其概率密度函数图形：
x = np.linspace(-4, 4, 100)
pdf = normal_dist.pdf(x)
plt.plot(x, pdf)
plt.show()
运行代码后，将会弹出一个窗口显示正态分布的概率密度函数图形。
总之，通过scipy库和numpy库的支持，我们可以方便地计算和可视化正态分布的概率密度函数。