Python中是否存在R语言boot()及boot.ci()的等效实现？

嘿，这个问题我刚好研究过！在Python里确实有能替代R中boot包的boot()和boot.ci()的工具，下面给你详细拆解，还补全了可运行的示例代码哦～

R语言完整示例代码 #

你给出的代码里bootfun是需要自定义的，这里我补一个计算样本均值的完整可运行版本，方便你对照：

library(boot)

# 自定义bootstrap函数：用于计算抽样样本的均值
bootfun <- function(data, indices) {
  # 根据抽样索引提取bootstrap样本
  boot_sample <- data[indices]
  # 返回样本均值作为统计量
  return(mean(boot_sample))
}

# 生成模拟数据：100个服从均值5、标准差2的正态分布数据
set.seed(123) # 设置随机种子，保证结果可复现
data <- rnorm(100, mean = 5, sd = 2)

# 执行bootstrap抽样，共10000次
result <- boot(data, bootfun, 10000)

# 计算并输出bootstrap置信区间
boot.ci(result)

Python中的等效实现 #

Python里有两个常用工具可以实现相同的功能，分别是Scipy内置的bootstrap工具和第三方bootstrapped库：

1. 使用Scipy内置的scipy.stats.bootstrap（推荐） #

从Scipy 1.7.0版本开始，官方内置了bootstrap功能，既能完成类似boot()的抽样，也能直接计算置信区间（对应boot.ci()），不需要额外安装依赖。

示例代码：

import numpy as np
from scipy.stats import bootstrap

# 生成和R示例一致的模拟数据
np.random.seed(123)
data = np.random.normal(loc=5, scale=2, size=100)

# 定义要计算的统计量：这里是样本均值
def stat_fun(sample):
    return np.mean(sample)

# 执行bootstrap抽样，10000次重采样
# Scipy要求样本以可迭代对象传入，这里用元组包裹
bootstrap_result = bootstrap((data,), stat_fun, n_resamples=10000)

# 输出结果
print("Bootstrap 结果：")
print(f"原始样本均值：{stat_fun(data):.4f}")
print(f"95%置信区间：[{bootstrap_result.confidence_interval.low:.4f}, {bootstrap_result.confidence_interval.high:.4f}]")

2. 使用第三方bootstrapped库 #

这个库的API设计更贴近R的boot包，功能也更灵活，支持更多类型的置信区间计算。需要先通过pip install bootstrapped安装。

示例代码：

import numpy as np
import bootstrapped.bootstrap as bs
import bootstrapped.stats_functions as bs_stats

# 生成模拟数据
np.random.seed(123)
data = np.random.normal(loc=5, scale=2, size=100)

# 执行bootstrap，计算均值和置信区间
result = bs.bootstrap(data, stat_func=bs_stats.mean, num_iterations=10000)

# 输出结果
print("Bootstrap 结果：")
print(f"样本均值估计：{result.value:.4f}")
print(f"95%置信区间：({result.lower_bound:.4f}, {result.upper_bound:.4f})")

不管用哪种工具，你都可以像R中自定义bootfun一样，修改统计量函数，来计算中位数、方差或者其他自定义指标哦～

内容的提问来源于stack exchange，提问作者HappyPy