我最近熟悉了PySpark的内部KernelDensity功能以及sklearn的KernelDensity功能。我正在尝试将核密度估计器拟合到我的数据（大约14,000个数据点，大约1.3 MB），以便我可以从估计的分布中绘制更多样本，并生成大量具有与原始数据相似的统计特性的合成数据（希望大约2-20 GB）。我知道我可以do this in sklearn，但Spark的类似物似乎没有提供类似的方法从结果分布中提取样本。有没有办法让我在Spark的KDE中构建这个功能？我还可以使用其他工具吗？或者我必须从头开始写这个？如果是这样，请概述如何做到这一点。
我知道这似乎要合成很多数据，但我的研究与构建概念验证有关，可以针对特定问题域应用大数据的机器学习，我们无法证明这一点使用只有1.3 MB的Spark集群。
感谢您的帮助！