kd树

参考：

1.《统计学习方法》李航

2.https://baike.baidu.com/item/kd-tree/2302515?fr=aladdin

3.http://www.jianshu.com/p/ffe52db3e12b

4.http://blog.csdn.net/likika2012/article/details/39619687

 
 

  
  
1. 概述

  
  
KD树是一种查询索引结构，广泛应用于数据库索引中。从概念的角度讲，它是一种高纬数据的快速查询结构，本文首先介绍1维数据的索引查询，然后介绍2维KD树的创建和查询，相关定理和推论也简单列出，本文争取用15分钟的时间，让大家快速理解KD树。

  
  
2. 1维数据的查询

  
  
假设在数据库的表格T中存储了学生的语文成绩chinese、数学成绩math、英语成绩english，如果要查询语文成绩介于30～93分的学生，如何处理？假设学生数量为N，如果顺序查询，则其时间复杂度为O(N)，当学生规模很大时，其效率显然很低，如果使用平衡二叉树，则其时间复杂度为O(logN)，能极大地提高查询效率。平衡二叉树示意图为：

  
  


   
   

   
   

    
    图1：平衡二叉树示意图
   
   

  
  

  
  
对于1维数据的查询，使用平衡二叉树建立索引即可。如果现在将查询条件变为：语文成绩介于30～93，数学成绩结余30～90，又该如何处理呢？

  
  

   
   
如果分别使用平衡二叉树对语文成绩和数学成绩建立索引，则需要先在语文成绩中查询得到集合S1，再在数学成绩中查询得到集合S2，然后计算S1和S2的交集，若|S1|=m,|S2|=n，则其时间复杂度为O(m*n)，有没有更好的办法呢？
  
  

  
  
3. KD树

  
  
针对多维数据索引，是否也存在类似的一维的索引方法呢？先看2维数据的集合示意图：

  
  


   
   

   
   

    
    图2: 2维数据示意图
   
   

  
  

  
  
如果先根据语文成绩，将所有人的成绩分成两半，其中一半的语文成绩<=c1，另一半的语文成绩>c1，分别得到集合S1,S2;然后针对S1，根据数学成绩分为两半，其中一半的数学成绩<=m1,另一半的数学成绩>m1，分别得到S3,S4，针对S2，根据数学成绩分为两半，其中一半的数学成绩<=m2,另一半的数学成绩>m2，分别得到S5,S6；再根据语文成绩分别对S3,S4，S5,S6继续执行类似划分得到更小的集合，然后再在更小的集合上根据数学成绩继续,...

  
  
上面描述的就是构建KD树的基本思路，其构建后的KD树如下图所示：

  
  


   
   

   
   

    
    图3: KD树示意图
   
   

  
  

  
  
如图所示，l1左边都是语文成绩低于45分，l1右边都是语文成绩高于45分的；l2下方都是语文成绩低于45分且数学成绩低于50分的，l2上方都是语文成绩低于45分且数学成绩高于50分的，后面以此类推。下面的图示，更清晰地表示了KD树的结构及其对应的二叉树：

  
  


   
   

   
   

    
    图4: KD树及对应的二叉树
   
   

  
  

  
  
在了解了KD树的基本原理后，剩下的工作就是如何构建KD树以及如何在KD树上查询了。

  
  
3.1 KD树构建算法

  
  
相对而言，构建KD树是针对高维数据，需要针对每一维都进行二分，针对二维数据的KD树构建算法如下图5所示：

  
  


   
   

   
   

    
    图5:KD树构建算法
   
   

  
  
  
  

其中的P表示待构建的元素集合，depth表示当前是KD树的第几层，如果depth是偶数，通过纵向线对集合进行划分；如果depth是奇数，通过横向线进行划分（3～5行）；第6、7行递归进行KD树中子树的构建。

  
  
图5中的算法时间复杂度为：O(nlogn)，感兴趣的同学可以写出递推公式公式进行推到，算法导论中专门讲了这个递推公式。

  
  
3.2 KD树查询算法

  
  
在构建了KD树的基础上，如何进行查询其实是一个相对简单的问题了，在这里需要注意的是，在KD树中每一层划分所依据的是哪一维的数据，其它的根二叉树其实没有差别。KD树查询算法如下图所示：

  
  


   
   

   
   

    
    图6: 查询算法
   
   

  
  

  
  
图6中算法的v表示KD树中当前搜索的子树，R表示是一个高维数据的区域，区域的概念如图7所示：

  
  


   
   

   
   

    
    图7: 区域示意图
   
   

  
  

  
  
如果v是叶子结点且属于区域R，则直接返回（第1行）；如果v是非叶子结点，则比较R与v的左子树lc(v)是否有交集，如果有且lc(v)完全被R覆盖，则lc(v)是所查询结果的一部分，如果不是完全覆盖，则递归查询lc(v)(3~6行)；对右子树也是类似的操作（7~10）。算法的时间复杂度为：O(sqrt(n) + k)，其中k是最后的结果中元素的个数，其递推公式公式为：

  
  


   
   

   
   

    
    图8: KD树查询递推公式
   
   

  
  

  
  
上述算法中的二维也可升级为3维，其思维方式与从1维升级到2维一致，相应的构建算法和查询算法也与2维的一致，感兴趣的童鞋可以分析相应算法的时间复杂度。

  
  
4. 小结

  
  
本文以从1维数据索引跳变到2维数据索引的方式，引出了KD树，并介绍了KD树的构建与索引查询算法。KD树主要应用在高维数据索引，特别是空间数据库的索引，x和y分别表示经度和纬度，能较好的处理空间上的查询效率问题，如果在x和y再加一个时间维度，也能较好地处理时空数据索引查询。