下面是一个scipy.spatial.KDTree示例

In [1]: from scipy import spatial

In [2]: import numpy as np

In [3]: A = np.random.random((10,2))*100

In [4]: A
Out[4]:
array([[ 68.83402637,  38.07632221],
       [ 76.84704074,  24.9395109 ],
       [ 16.26715795,  98.52763827],
       [ 70.99411985,  67.31740151],
       [ 71.72452181,  24.13516764],
       [ 17.22707611,  20.65425362],
       [ 43.85122458,  21.50624882],
       [ 76.71987125,  44.95031274],
       [ 63.77341073,  78.87417774],
       [  8.45828909,  30.18426696]])

In [5]: pt = [6, 30]  # <-- the point to find

In [6]: A[spatial.KDTree(A).query(pt)[1]] # <-- the nearest point 
Out[6]: array([  8.45828909,  30.18426696])

#how it works!
In [7]: distance,index = spatial.KDTree(A).query(pt)

In [8]: distance # <-- The distances to the nearest neighbors
Out[8]: 2.4651855048258393

In [9]: index # <-- The locations of the neighbors
Out[9]: 9

#then 
In [10]: A[index]
Out[10]: array([  8.45828909,  30.18426696])

scipy.spatial也有k-d树实现：scipy.spatial.KDTree。
该方法通常是首先使用点数据来建立k-d树。其计算复杂度为N log N的数量级，其中N是数据点的数量。范围查询和最近邻搜索可以以log N复杂度完成。这比简单地循环遍历所有点（复杂度N）要有效得多。
因此，如果您有重复的范围或最近邻查询，强烈建议使用k-d树。

如果你能将数据转换成正确的格式，一个快速的方法是使用scipy.spatial.distance中的方法：
http://docs.scipy.org/doc/scipy/reference/spatial.distance.html
特别是pdist和cdist提供了计算成对距离的快速方法。

搜索方法有两个阶段：
1.建立搜索结构，例如一个KDTree，来自npt数据点（您的x y）
1.查找nq查询点。
不同的方法有不同的构建时间和不同的查询时间。您的选择将在很大程度上取决于npt和nq：
scipy cdist的构建时间为0，但查询时间约为npt * nq。
KDTree构建时间很复杂，查找速度非常快，~ ln npt * nq。
在一个常规的（曼哈顿）网格上，你可以做得更好：见（ahem）find-nearest-value-in-numpy-array。
一个小测试台：：建立一个5000 × 5000二维点的KDTree大约需要30秒，然后查询需要微秒; scipy cdist 2500万× 20点（所有对，4G）大约需要5秒钟，在我的旧iMac上。

我一直在努力沿着这条路走下去，但我对笔记本电脑、Python和这里讨论的各种工具都是新的，但我已经设法在我旅行的道路上走了一些路。

BURoute = pd.read_csv('C:/Users/andre/BUKP_1m.csv', header=None)
NGEPRoute = pd.read_csv('c:/Users/andre/N1-06.csv', header=None)

我从我的BURoute矩阵创建一个组合XY阵列

combined_x_y_arrays = BURoute.iloc[:,[0,1]]

我用下面的命令创建点

points = NGEPRoute.iloc[:,[0,1]]

然后，我做KDTree魔术

def do_kdtree(combined_x_y_arrays, points): 
    mytree = scipy.spatial.cKDTree(combined_x_y_arrays)
    dist, indexes = mytree.query(points)
    return indexes

results2 = do_kdtree(combined_x_y_arrays, points)

这给了我一个索引数组。我现在试图弄清楚如何计算结果数组中的点和索引点之间的距离。

def find_nearest_vector(self,arrList, value):
    
    y,x = value
    offset =10
    
    x_Array=[]
    y_Array=[]

    for p in arrList:
        x_Array.append(p[1])
        y_Array.append(p[0])
        

    x_Array=np.array(x_Array)
    y_Array=np.array(y_Array)

    difference_array_x = np.absolute(x_Array-x)
    difference_array_y = np.absolute(y_Array-y)

    index_x = np.where(difference_array_x<offset)[0]
    index_y = np.where(difference_array_y<offset)[0]

    index = np.intersect1d(index_x, index_y, assume_unique=True)

    nearestCootdinate = (arrList[index][0][0],arrList[index][0][1])
    

    return nearestCootdinate