运行一个简单的自助法（bootstrap）

欢迎来到自助法（bootstrapping）部分的第一个练习。我们将通过一个示例学习如何运行一个简单的自助法。正如视频中所示，自助法的核心思想是有放回抽样。

假设您拥有一家生产扳手的工厂。您想刻画扳手的平均长度，并确保它们满足规格。您的工厂每天生产成千上万把扳手，但逐一测量每把扳手的长度并不可行。不过，您手头有一个包含 100 把扳手的代表性样本。让我们用自助法来获得平均长度的 95% 置信区间（CI）。

在终端中查看列表 wrench_lengths，其中包含 100 个观测到的扳手长度。

本练习是课程的一部分

Python 中的统计模拟

查看课程

练习说明

从 wrench_lengths 中进行一次有放回的随机抽样，并将结果存入 temp_sample。设置 size = len(wrench_lengths)。
计算该样本的平均长度，赋给 sample_mean，然后将其追加到 mean_lengths。
使用 np.percentile() 计算自助法均值（boot_mean）和自助法 95% 置信区间（boot_95_ci）。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Draw some random sample with replacement and append mean to mean_lengths.
mean_lengths, sims = [], 1000
for i in range(sims):
    temp_sample = ____(____, replace=____, size=____)
    sample_mean = ____
    mean_lengths.append(sample_mean)
    
# Calculate bootstrapped mean and 95% confidence interval.
boot_mean = np.mean(____)
boot_95_ci = ____(mean_lengths, [2.5, 97.5])
print("Bootstrapped Mean Length = {}, 95% CI = {}".format(boot_mean, boot_95_ci))

编辑并运行代码