要计算被调节的中介效应的Bootstrap置信区间，可以使用以下步骤：

1. 收集数据：收集中介效应的原始数据，包括自变量、中介变量和因变量的观测值。

2. 定义模型：根据研究问题，定义一个适当的统计模型来估计中介效应。这可以是线性回归模型、逻辑回归模型等。

3. 进行中介效应分析：使用所选的统计模型计算中介效应的点估计。这可以使用特定的计算方法，如Sobel检验、Bootstrap等。

4. 进行Bootstrap抽样：使用Bootstrap方法来生成一组新的样本。这可以通过对原始数据进行有放回的随机抽样来实现。

5. 重复步骤3：对每个Bootstrap样本，使用相同的统计模型来计算中介效应的点估计。

6. 计算Bootstrap置信区间：根据Bootstrap样本的中介效应估计值，计算置信区间。一种常见的方法是使用百分位法，根据所需的置信水平确定下限和上限。

下面是一个使用Python进行Bootstrap置信区间计算的示例代码：

import numpy as np
from sklearn.utils import resample

# 示例数据
X = np.random.normal(0, 1, 100)  # 自变量
M = np.random.normal(0, 1, 100)  # 中介变量
Y = 2 * X + 3 * M + np.random.normal(0, 1, 100)  # 因变量

# 定义统计模型函数
def calculate_mediation(X, M, Y):
    # 将数据拟合到线性回归模型中
    model = LinearRegression()
    model.fit(X.reshape(-1, 1), Y)
    Y_hat = model.predict(X.reshape(-1, 1))

    # 计算中介效应
    mediator_model = LinearRegression()
    mediator_model.fit(M.reshape(-1, 1), Y_hat)
    mediation_effect = mediator_model.coef_[0]

    return mediation_effect

# 进行Bootstrap抽样并计算中介效应
n_iterations = 1000
bootstrap_mediation_effects = []
for _ in range(n_iterations):
    # 生成Bootstrap样本
    X_bootstrap, M_bootstrap, Y_bootstrap = resample(X, M, Y)

    # 计算中介效应
    mediation_effect = calculate_mediation(X_bootstrap, M_bootstrap, Y_bootstrap)
    bootstrap_mediation_effects.append(mediation_effect)

# 计算置信区间
confidence_level = 0.95
lower_bound = np.percentile(bootstrap_mediation_effects, (1-confidence_level)/2 * 100)
upper_bound = np.percentile(bootstrap_mediation_effects, (1+confidence_level)/2 * 100)

print("Bootstrap置信区间：[{:.3f}, {:.3f}]".format(lower_bound, upper_bound))

上述代码中，我们使用了numpy库生成了示例数据，并使用sklearn库中的resample函数进行Bootstrap抽样。然后，我们定义了一个计算中介效应的函数calculate_mediation，使用sklearn库的LinearRegression进行线性回归拟合，然后计算中介效应。接下来，我们进行了1000次Bootstrap抽样，并计算了每个样本的中介效应。最后，我们使用numpy库的percentile函数计算了置信区间的下限和上限，并打印出结果。

请注意，以上代码仅为示例，实际应用时需要根据具体的统计模型和数据进行适当调整。