如何在Python中快速计算大样本数据的统计学置信区间？-Python教程-PHP中文网

t.interval适用于小样本或总体方差未知情形，基于t分布自动按自由度调整；bootstrap用重采样避免分布假设，适合偏态、异常值或非均值参数估计。

如何在python中快速计算大样本数据的统计学置信区间？

用 `scipy.stats.t.interval` 计算小样本或未知总体方差的置信区间

当样本量小于 30，或你无法假设总体服从正态分布、且总体标准差未知时，t.interval 是最稳妥的选择。它基于 t 分布，自动根据自由度（n-1）调整临界值。

常见错误是直接套用 norm.interval 而不检查样本量和方差是否已知——这会导致区间过窄，显著低估不确定性。

必须传入样本均值 loc 和样本标准误 scale=std / sqrt(n)，不是样本标准差
df 参数由函数内部根据 len(data)-1 推导，无需手动指定（除非你传入的是预计算的 scale）
若数据明显偏态（如 skewness > 2），即使 n > 30，t 区间仍可能失真，此时应考虑 bootstrap

from scipy import stats
import numpy as np
<p>data = np.random.exponential(2, size=25)  # 小样本、右偏
n, mean, std = len(data), data.mean(), data.std(ddof=1)
se = std / np.sqrt(n)
ci = stats.t.interval(0.95, df=n-1, loc=mean, scale=se)
</p>

用 `numpy.quantile` 做非参数 bootstrap 置信区间（适合任意分布）

当你怀疑数据不服从任何经典分布、样本有异常值、或需要估计中位数、分位数等非均值指标的置信区间时，bootstrap 是更鲁棒的方案。它不依赖分布假设，只靠重采样。

容易踩的坑是 bootstrap 迭代次数太少（n_resamples=100）或未设置随机种子导致结果不可复现；另外，对极端分位数（如 0.01）估计不稳定，需至少 10000 次重采样。

每次重采样必须使用 replace=True，否则得不到 bootstrap 分布
推荐用 np.quantile(..., [0.025, 0.975]) 直接取双侧 95% 区间，比拟合分布再求逆更快
若原始样本量 n ，bootstrap 区间可能严重偏移，此时应谨慎解释或补充收集数据

rng = np.random.default_rng(42)
n_resamples = 5000
boot_means = np.array([
    np.mean(rng.choice(data, size=len(data), replace=True))
    for _ in range(n_resamples)
])
ci_bootstrap = np.quantile(boot_means, [0.025, 0.975])

何时该用 `statsmodels.stats.api.DescrStatsW`？

当你需要一次性获取均值、标准误、置信区间、偏度、峰度等多个统计量，并且希望支持加权样本（比如 survey 数据含抽样权重）时，DescrStatsW 比零散调用多个函数更省事、更一致。

Shadows Python Sensei

Python 最佳实践助手——代码规范、设计模式、性能优化、测试与类型注解。适用于编写或审查 Python 代码。

下载

注意它默认使用 t 分布，但不会自动检测数据分布形态；如果你传入了权重，std 和 se_mean 的计算会按加权公式更新，这点和裸用 np.std 不同，容易被忽略。

构造对象时传入 weights 参数后，所有统计量（包括 CI）都会自动加权校正
get_confidence_interval() 返回的是数组，不是元组，索引为 [0] 下限、[1] 上限
不支持直接对中位数做加权置信区间；若需该功能，仍得回退到加权 bootstrap

from statsmodels.stats.api import DescrStatsW
<p>weighted_stats = DescrStatsW(data, weights=np.ones_like(data))
ci_w = weighted_stats.get_confidence_interval(alpha=0.05)
</p>