使用bootstrap计算符合wiener模型的一维时序数据的漂移系数和扩散系数的分布，已有原始数据，求Python代码

首先，我们需要准备Wiener模型的一维时序数据，可以使用以下代码生成：

import numpy as np

T = 1.0
N = 1000
dt = T/N
t = np.linspace(0.0, N*dt, N+1)
W = np.random.standard_normal(size=N+1)
W[0] = 0.0

for i in range(1, N+1):
    W[i] = W[i-1] + np.sqrt(dt)*W[i]

接下来，我们可以使用bootstrap方法来计算漂移系数和扩散系数的分布。以下是Python实现代码：

import numpy as np
import matplotlib.pyplot as plt

def bootstrap(data, n_bootstraps):
    n_samples = len(data)
    bootstrap_samples = np.random.choice(data, size=(n_samples, n_bootstraps), replace=True)
    bootstrap_means = np.mean(bootstrap_samples, axis=0)
    bootstrap_std = np.std(bootstrap_samples, axis=0)
    return bootstrap_means, bootstrap_std

T = 1.0
N = 1000
dt = T/N
t = np.linspace(0.0, N*dt, N+1)
W = np.random.standard_normal(size=N+1)
W[0] = 0.0

for i in range(1, N+1):
    W[i] = W[i-1] + np.sqrt(dt)*W[i]

dW = np.diff(W)/np.sqrt(dt)
dW = np.insert(dW, 0, 0)

n_bootstraps = 1000
M = np.zeros(n_bootstraps)
S = np.zeros(n_bootstraps)

for i in range(n_bootstraps):
    dW_boot = np.random.choice(dW, size=N+1, replace=True)
    W_boot = np.cumsum(dW_boot)*np.sqrt(dt)
    M[i] = np.mean(W_boot)
    S[i] = np.std(W_boot)

M_mean, M_std = bootstrap(M, n_bootstraps)
S_mean, S_std = bootstrap(S, n_bootstraps)

plt.hist(M, bins=50, density=True, alpha=0.5)
plt.hist(S, bins=50, density=True, alpha=0.5)
plt.axvline(np.mean(M), color='r', linestyle='dashed', linewidth=2)
plt.axvline(np.mean(S), color='b', linestyle='dashed', linewidth=2)
plt.show()

代码中使用了bootstrap方法计算漂移系数和扩散系数的分布，并绘制了直方图和平均值的垂直线。注意，bootstrap方法的结果可能会因为随机性而略有不同，但整体趋势应该是相似的。