共计 839 个字符，预计需要花费 3 分钟才能阅读完成。
学过统计学的同学应该对置信区间都有理解，置信区间又叫预计区间，是从概率来讲某个随机变量可能取的值的范畴。
在后面的文章 [聊聊置信度与置信区间] 中讲过为什么会有置信区间以及置信区间应该如何求取。在那篇文章中讲了当数据遵从正态分布时，95% 的置信区间就是均值加减 1.96 倍的标准差。
那很多时候数据是不合乎正态分布，或者是咱们不晓得样本总体是否合乎正态分布，然而咱们又须要求取置信区间时，就能够用到咱们的明天的配角 –Bootstrap 抽样的办法。
Bootstrap 是对样本进行有放回的抽样，抽样若干次(个别为 1000 次)，每次抽样的后果作为一个样本点，抽样 1000 次，就会有 1000 个样本点，用这 1000 个点的散布作为样本总体的散布，而这 1000 个点是大概率是遵从正态分布的，只有遵从正态分布就能够依照正态分布的公式求取置信区间。
那为什么这 1000 个点是遵从正态分布的呢？根据的就是就是核心极限定理。
接下来咱们通过一个例子来看下，首先生成一个长尾散布的数据：
from scipy.stats import f
dfn, dfd = 45, 10
r = f.rvs(dfn, dfd, size=10000)
sns.distplot(r)
在理论业务中很多数据其实都是合乎长尾散布的。而后咱们对这个长尾散布的数据进行 Bootstrap 抽样，有放回的抽样 1000 次，每次抽 10000 个样本，最初失去 1000 个均值，这 1000 个均值的散布如下：
import numpy as np
sample_mean = []
for n in range(1,1001):
s = np.random.choice(r,size = 10000).mean()
sample_mean.append(s)
运行下面的代码失去如下后果：
能够看到这 1000 个均值是合乎正态分布的，只有合乎正态分布，那咱们就能够利用正态分布的性质对其进行估算。
以上就是对于 Bootstrap 的一个简略介绍，心愿对你有用。