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 fdfn, dfd = 45, 10r = 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 npsample_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。