import numpy as np
def get_bootstrap_samples(data, n_samples):
    # функция для генерации подвыборок с помощью бутстрэпа
    indices = np.random.randint(0, len(data), (n_samples, len(data)))
    samples = data[indices]
    return samples
def stat_intervals(stat, alpha):
    # функция для интервальной оценки
    boundaries = np.percentile(stat, [100 * alpha / 2., 100 * (1 - alpha / 2.)])
    return boundaries

# сохранение в отдельные numpy массивы данных по лояльным и уже бывшим клиентам
normal_clients = X[ (X['NumberOfTime30-59DaysPastDueNotWorse'] == 0) &
 (X['NumberOfTimes90DaysLate'] == 0) &
 (X['NumberOfTime60-89DaysPastDueNotWorse'] == 0)]['MonthlyIncome'].values

nishebrodi = X[ (X['NumberOfTime30-59DaysPastDueNotWorse'] != 0) &
 (X['NumberOfTimes90DaysLate'] != 0) &
 (X['NumberOfTime60-89DaysPastDueNotWorse'] != 0)]['MonthlyIncome'].values



# ставим seed для воспроизводимости результатов
np.random.seed(17)

# генерируем выборки с помощью бутстрэра и сразу считаем по каждой из них среднее
normal_scores = [np.mean(sample)
                       for sample in get_bootstrap_samples(normal_clients, 1000)]
nishebrod_mean_scores = [np.mean(sample)
                       for sample in get_bootstrap_samples(nishebrodi, 1000)]

#  выводим интервальную оценку среднего
print("Средняя у норм типов:  mean interval",  stat_intervals(normal_scores, 0.05))
print("Средняя у нищебродов:  mean interval",  stat_intervals(nishebrod_mean_scores, 0.05))