如果数据不符合正态分布，可以使用基于Bootstrap的置信区间方法来计算置信区间。Bootstrap方法是一种基于样本的统计推断方法，它通过从原始数据中进行重复抽样，并利用抽样得到的样本计算置信区间。
下面是一个使用Bootstrap方法计算一列数据的95%置信区间的示例代码：
import numpy as np
# 生成一列数据
data = np.random.exponential(scale=2.0, size=100)
# 定义计算置信区间的函数
def bootstrap_ci(data, n_bootstraps=1000, ci_percentile=(2.5, 97.5)):
"""计算基于Bootstrap的置信区间"""
n = len(data)
bootstrapped_means = []
for i in range(n_bootstraps):
# 从原始数据中进行有放回抽样
sample = np.random.choice(data, n, replace=True)
bootstrapped_means.append(np.mean(sample))
# 计算置信区间
lower_ci, upper_ci = np.percentile(bootstrapped_means, ci_percentile)
return lower_ci, upper_ci
# 计算95%置信区间
lower_ci, upper_ci = bootstrap_ci(data, ci_percentile=(2.5, 97.5))
print("95% Confidence Interval:", (lower_ci, upper_ci))
在这个示例中，我们生成了一列指数分布的随机数据。然后，我们定义了一个名为bootstrap_ci()的函数来计算基于Bootstrap的置信区间。该函数使用循环来执行重复抽样，并计算抽样得到的样本的平均值。最后，函数使用np.percentile()函数来计算置信区间的下限和上限。
运行上面的代码，将得到一个形如(lower_bound, upper_bound)的输出，它表示95%的置信区间。请注意，Bootstrap方法通常比基于正态分布的方法计算置信区间更为灵活和鲁棒，特别是在数据不符合正态分布时，Bootstrap方法能够提供更准确的结果。
