KD 树原理详解

一 点睛

KD 树（K-Dimension tree）是可以存储 K 维数据的树，是二叉搜索树的拓展，主要用于多维空间数据的搜索，例如范围搜索和最近邻搜索。BST、AVL、Treap 和伸展树等二叉搜索树的节点存储的都是一维信息，一维数据很容易处理，直接比较数据的大小，满足左子树小于根、右子树大于根即可。多维数据需要选择一个维度 Di，在维度 Di 上进行大小比较。例如，对于二维平面上的两个点 A(2,4)、B(5, 3)，按照第 1 维比较，则 A<B ；按照第 2 维比较，则A>B。

二 创建 KD 树

KD 树是二叉树，表示对 K 维数据的划分，每个节点都对应 K 维空间划分中的超矩形区域，KD 树可以省去大部分的搜索工作，提高搜索效率。

对 K 维数据划分左右子树时，需要考虑两个问题：

① 选择哪个维度划分？

② 选择哪个划分点可以使左右子树的大小大致相等？

众所周知，二叉搜索树在极不平衡的情况下退化为线性，效率最差，在平衡的情况下时间复杂度为 O(logn)。

1 维度划分

维度划分指选择哪一维进行划分，即选择哪一维作为分辨器。KD 树可以根据不同的用途选择不同的分辨器，最常见的是轮转法和最大方差法。

• 轮转法

按照维度轮流作为分辨器，对于二维数据(x , y)，第 1 层按 x 划分，第 2 层按 y 划分，第 3 层按 x 划分，以此重复进行。奇数层按 x 划分，偶数层按 y 划分，按照维度轮流划分，创建一棵 KD 树。如同切豆腐块，竖着切一刀，横着切一刀，以此重复进行。扩展到 K 维数据，若当前层按照第 i 维划分，则下一层按照第(i +1) % K 维划分，i=0,1,…, K-1。

最大方差法：若数据在维度D i 上方差最大，则选择维度D i

• 最大方差法

若数据在维度 Di 上方差最大，则选择维度 Di 作为分辨器。方差公式为：