Python 减少样本A以匹配特征在B中的分布的算法

我有两个样品A和B，尺寸相差很大。A比B大10倍，这就是为什么我想在机器学习应用程序中使用它。我知道有其他的选择来平衡训练，但是由于A太大了，我无论如何都需要减少样本。A和B位于相同的特征空间中，但特征分布不同，这会混淆我的结果。我知道，通常情况下，你会根据不同的特性分布来区分A和B中的单个示例，但相信我，在这种情况下，这是有害的

因此，我的问题是：如何对样本A进行降采样，使降采样集A中的特征显示出与B中特征相似的分布？当我们从一个样本中抽取样本时，这种分布的“接近”可以通过任意距离度量来衡量，无论是均值和方差的标准化差异（想想统计测试），还是Kullback-Leibler散度，等等

请注意，在A和B两个适当的条件下，基本上可以完成这项任务。假设A是A国所有居民的集合，B国所有老年患者的集合，唯一的特征是年龄。鉴于这两个国家的规模和年龄结构相似，有可能缩小样本a，使a'只包含来自a国的老年人。这个例子和我的问题之间的唯一区别是，我需要同时对几个特征进行自动，并且这些特征可以是分类的，二进制和连续值及其组合。

鉴于其适用范围相当广泛，我希望这一问题已经得到解决。已经存在的python和/或R实现是非常受欢迎的，尽管我也希望对一个好的算法进行简单的口头描述

---

非常感谢

您提到A&B是具有相同特征的样本，但您没有提到A&B的抽样分布（可以说是更重要的一点）。您给出的居民示例似乎表明您假设A&B来自具有共享状态空间的分布（一个是另一个的超集）你想的就是这样吗？我认为，如果你希望得到这个问题的合理答案，你就必须对A&B的分配设置更多的限制。