问题陈述：
我在三维空间中有15万个点，其坐标存储在一个尺寸为[15万, 3]的矩阵中，单位为毫米。
我想找到给定点p在半径r内的所有邻居点，并且希望以最准确的方式完成此操作。
我应该如何选择我的leafsize参数？
from scipy.spatial import KDTreeimport numpy as nppts = np.random.rand(150000,3)T1 = KDTree(pts, leafsize=20)T2 = KDTree(pts, leafsize=1)neighbors1= T1.query_ball_point((0.3,0.2,0.1), r=2.0)neighbors2= T2.query_ball_point((0.3,0.2,0.1), r=2.0)np.allclose(sorted(neighbors1), sorted(neighbors2))True回答：
函数query_ball_point将为搜索树的任何版本返回正确的点集。leafsize参数不会影响查询结果，仅影响查询性能。
想象一下下面展示的两个树，它们使用相同的数据（但不同的leafsize参数），以及一个搜索红色圆圈内所有点的查询。
在这两种情况下，代码只会返回位于红色圆圈内的两个点。这是通过检查树中所有与圆圈相交的盒子中的所有点来完成的。这导致了每种情况下的不同工作量（即不同的性能）。对于左侧的树（对应于较大的leafsize），算法需要检查13个点是否在圆圈内（上部相交盒子中的6个点和下部相交盒子中的7个点）。在右侧的树中（具有较小的叶子大小），只处理了三个点（上部相交盒子中的一个点和下部相交盒子中的两个点）。
按照这个逻辑，你可能会认为始终使用较小的叶子大小是有意义的：这将在算法结束时最小化实际比较的数量（以决定点是否实际位于查询区域内）。但事情并非那么简单：较小的叶子大小会生成更深的树，增加构建时间和树遍历时间的成本。找到树遍历性能与叶子级比较的正确平衡，实际上取决于输入树的数据类型和你进行的具体叶子级比较。这就是为什么scipy提供了leafsize参数作为参数，以便你可以调整以在特定算法上获得最佳性能。
