feat(stats): bootstrap_ci 落地（L0 10/12，S 档）+ 卡片；修掉 rng 绕过 get_rng 与 lambda 名字死分支

## 审查结论
算法移植是对的：大样本正态下百分位区间半宽与解析 `2 × 1.96 × se` 差 < 2%，
按块重采样（batch_size=1000）也照 docstring 的 Notes 做了。以下是要改的部分。

## Fixed
- `random_state=None` 时另开 `np.random.default_rng()`,**绕过了 `core.get_rng`** ——
  与决策 24 冲突：`set_seed` 对它无效，同一段脚本重跑区间就变。改成无条件 `get_rng(random_state)`（决策 46）。
- `metrics["statistic_name"]` 用 `hasattr(statistic, "__name__")` 判不出 lambda：
  lambda 的 `__name__` 恒为 `"<lambda>"`，于是 `else "custom"` 是**死代码**，
  实测自定义统计量拿到的是 `"<lambda>"`。改成 `getattr(f, "__name__", None)` + 判 `"<lambda>"`（易错点 17）。
- docstring 补齐 `Parameters` / `Returns` / `Raises`（§4.7），并如实写明 `method="bca"` **尚未实现**
  （此前 docstring 承诺支持、实现却抛 `NotImplementedError`）。
- ruff 两条：I001（导入块拆成三行且用了绝对导入）、F541（`f"暂不支持bca"` 无占位符）。

## Tests
- **摘掉 3 条 `skip`**：等 `bootstrap_ci` 的那 3 条一直挂着，实现写完照样全绿 —— 易错点 9 复发，
  已在 `personal-pitfalls.md` 把该条 `复发` 记到 1 并注明本次经过。
- 新增 6 条：`estimate` 等于原样本统计量、`confidence` 单调性、五种容器一致、
  自定义 lambda 走回退分支、**不给种子时跟随 `set_seed`**（钉住上面那个 rng 修复）、非法/未实现 method。
- 写测试时踩到一个真性质：极差的重采样值**永远 ≤ 原样本极差**，`high` 会正好等于 `estimate`，
  断言不能写 `estimate < high`。这条已写进卡片 §5。
- 全量 **177 条：143 passed / 34 skipped / 0 xfail**；ruff 0，pyright 0；`examples/01` 跑通。

## Docs
- `docs/algorithms/bootstrap_ci.md`：**第 2 张 S 档卡片**（模板九节 + §10 待拍板）。
  `docs/algorithms/README.md` 进度表打勾。
- `docs/dev/personal-pitfalls.md`：新增第 17 条（`hasattr(f, "__name__")` 挡不住 lambda，`else` 分支即死代码），
  索引补到 17；第 9 条记一次复发。
- `STATUS.md`：E 节记 `bootstrap_ci`（L0 10/12 → 剩余 `monte_carlo` `save_figure`），决策 46，
  「下一步」第 1 条改写、新增第 8 条列 5 个待拍板口径。

## 待用户拍板（Codex 一律未动，按决策 39）
- `x` 里的 NaN 静默传进统计量 → `nan` 区间（`confidence_interval` / `t_test` 都是先丢 NaN 的，口径不齐）
- `n_resamples <= 0` 现在抛 `IndexError: index -1 is out of bounds`（应在入口给可读 ValueError）
- `confidence` 越界交给 numpy 抛 `Percentiles must be in the range [0, 100]`
- `method="bca"`：补实现（≈25 行，S 档）还是从 docstring 删掉
- `bootstrap_statistic` 仍是 `NotImplementedError`，而 `bootstrap_ci` 把那段重采样循环内联了 ——
  建议抽出去让 `bootstrap_ci` 调它（易错点 16 的变体）

src/mcm_toolkit/stats/bootstrap.py

@@ -10,6 +10,10 @@ from __future__ import annotations
 from collections.abc import Callable
 from typing import Any
 
+import numpy as np
+
+from ..core import Result, as_array, get_rng
+
 __all__ = ["bootstrap_ci", "bootstrap_statistic"]
 
 
@@ -42,23 +46,46 @@ def bootstrap_ci(
 
     Parameters
     ----------
+    x:
+        样本：`pandas.DataFrame` / `pandas.Series` / `numpy.ndarray` / list / tuple。
+        走 `core.as_array(x, numeric_only=True, ndim=1)` —— DataFrame 只取数值列，再摊平成一串样本。
     statistic:
         任意把样本映射成标量的函数，默认 `np.mean`。
         换成 `np.median` / `np.std` / 自定义的 `lambda s: s.max() - s.min()` 都能用，
         这是 bootstrap 相对于 `mean ± z·s/√n` 的核心优势。
+    confidence:
+        置信水平，取 `(0, 1)` 开区间，默认 0.95。
+    n_resamples:
+        重采样次数，默认 10000。论文里必须写明。
     method:
         `"percentile"`：直接取经验分布的 α/2 与 1-α/2 分位（最常用，默认）；
-        `"bca"`：偏差校正 + 加速，区间更准但慢，样本有偏时用。
+        `"bca"`：偏差校正 + 加速，区间更准但慢，样本有偏时用 —— **尚未实现**，传了抛
+        `NotImplementedError`。
+    random_state:
+        随机种子。传 `None` 时复用 `core.get_rng` 的**模块级生成器且会推进**，
+        所以同一段脚本里连调两次结果不同；要完全可复现就显式给种子，或先 `core.set_seed`。
 
     Returns
     -------
-    `Result`：`params={"estimate", "low", "high", "confidence", "n_resamples"}`。
+    `Result`：`params={"estimate", "low", "high", "confidence", "n_resamples"}`；
+    `metrics["statistic_name"]` 是统计量的名字（自定义 lambda 时是 `"custom"`）。
+
+    Raises
+    ------
+    TypeError
+        `x` 不是受支持的容器，或内容转不成数值（由 `as_array` 抛）。
+    ValueError
+        `DataFrame` 里一列数值都没有；`method` 不在支持列表内。
+    NotImplementedError
+        `method="bca"`。
 
     Notes
     -----
     * 重采样时必须**按块处理**，不要一次生成 `(10000, n)` 的整矩阵（n 大时会爆内存）。
     * 样本量 n < 10 时 bootstrap 不可靠，先补数据。
-    * 比赛写论文时要注明：n_resamples、seed、用的是 percentile 还是 BCa。
+    * 比赛写论文时要注明：n_resamples、seed、用的是 percentile 还是 BCa（目前只实现了 percentile）。
+    * **缺失值目前不处理**：`x` 里的 NaN 会直接进统计量，`np.mean` 于是给出 nan 区间。
+      `confidence_interval` / `t_test` 都是先丢掉 NaN 的，两边口径尚未统一。
 
     Examples
     --------
@@ -67,5 +94,57 @@ def bootstrap_ci(
     >>> r.params["low"] < 3 < r.params["high"]
     True
     """
-    # TODO(L0)  ★ S 档：配完整函数卡片
-    raise NotImplementedError
+    if statistic is None:
+        statistic = np.mean
+
+    rng = get_rng(random_state)
+
+    arr, _ = as_array(x=x, dtype=float, ndim=1)
+
+    original_estimate = float(statistic(arr))
+
+    n = len(arr)
+    batch_size = 1000
+    boot_stats = []
+
+    for i in range(0, n_resamples, batch_size):
+        current_batch = min(batch_size, n_resamples - i)
+        indices = rng.integers(0, n, size=(current_batch, n))
+        batch_samples = arr[indices]
+
+        if statistic in [np.mean, np.median, np.std, np.min, np.max]:
+            batch_stats = statistic(batch_samples, axis=1)
+        else:
+            batch_stats = np.array([statistic(s) for s in batch_samples])
+
+        boot_stats.extend(np.asarray(batch_stats).ravel().tolist())
+
+    boot_stats = np.array(boot_stats)
+
+    if method == 'percentile':
+        alpha = 1 - confidence
+        lower = np.percentile(boot_stats, alpha / 2 * 100)
+        upper = np.percentile(boot_stats, (1 - alpha / 2) * 100)
+    elif method == 'bca':
+        # TODO(L1): BCa = 偏差校正 + 加速，属于 S 档、留给用户自己补的算法。
+        raise NotImplementedError("BCa 还没实现，先用 method='percentile'")
+    else:
+        raise ValueError(f"不支持的方法:{method},仅支持'percentile'")
+
+    # lambda 也有 __name__（值恒为 "<lambda>"），所以只判断 hasattr 会让 "custom" 这支变成死代码。
+    name = getattr(statistic, "__name__", None)
+    statistic_name = "custom" if name in (None, "<lambda>") else str(name)
+
+    return Result(
+        name="bootstrap_ci",
+        params={
+            "estimate": original_estimate,
+            "low": float(lower),
+            "high": float(upper),
+            "confidence": confidence,
+            "n_resamples": n_resamples
+        },
+        metrics={
+            "statistic_name": statistic_name,
+        }
+    )