Python 根据核密度估计重新创建样本

我正在使用tSNE调查两组高维数据之间的差异。我连接所有数据，运行tSNE，同时跟踪属于每个组的数据索引。然后，对两组tSNE结果进行核密度估计。接下来，我在一个规则的网格上计算2KDE，最后计算结果的差异

最后的差异数据是一个点网格，其中第1组中密度较高的区域为正值，第2组中密度较高的区域为负值

我想做的是从负区域和正区域创建两个新模型，并从每个区域中采样新点。我需要从密度图生成样本。如何“反转”从数据点生成密度图的过程

下面是相关的代码摘录，它给出了差异图，以及一个示例

kde1 = gaussian_kde(
    np.vstack(
        [
            tsne_results1[:, 0],
            tsne_results1[:, 1]
        ]
    )
)
kde2 = gaussian_kde(
    np.vstack(
        [
            tsne_results2[:, 0],
            tsne_results2[:, 1]
        ]
    )
)

# evaluate on a regular grid
xgrid = np.linspace(x_min, x_max, 250)
ygrid = np.linspace(y_min, y_max, 250)
Xgrid, Ygrid = np.meshgrid(xgrid, ygrid)
xy_grid = np.vstack([Xgrid.ravel(), Ygrid.ravel()])

z1 = kde1.evaluate(xy_grid)
z2 = kde2.evaluate(xy_grid)

z = z2 - z1

---

我想你只是在追求你的

kde

s的方法，例如：

kde1.resample(10)

将从KDE中抽取10个样本。函数名有点不幸，但它与

scipy.stats

发行版中的

rvs

非常相似