我一直在使用spatial.cKDTree中的scipy来计算点之间的距离。对于我的典型数据集，它总是运行得非常快（~1s）（查找~1000点到~1e6点数组的距离）。
我用Python2.7.6在Ubuntu14.10上运行这段代码。直到今天早上，我用apt-get管理了大多数python包，包括scipy和numpy。不过，我想要几个包的最新版本，所以我决定在/usr/lib/python2.7/byapt-get中安装包，并在pip install中重新安装所有包（根据需要，处理scipy依赖项，如liblapack-devwithapt-get）。所有的东西都安装好了，而且可以毫无问题地导入。
import scipy
import cython
scipy.__version__
'0.16.0'
cython.__version__
'0.22.1'
现在，在相同大小的数据集上运行
spatial.cKDTree非常缓慢。我看到的运行时间是~500秒，而不是~1秒。我很难搞清楚发生了什么。关于我在安装时使用
pip而不是apt-get可能会导致scipy.spatial.cKDTree运行如此缓慢的建议？ 最佳答案
在0.16.x中，我添加了使用中值或滑动中点规则构建cKDTree的选项，并选择是否重新计算kd树中每个节点的边界超矩形。默认值基于有关scipy.spatial.cKDTree和sklearn.neighbors.KDTree性能的经验。在某些人为的情况下（数据沿维度高度拉伸），它可能会产生负面影响，但通常应该更快。用cKDTree和/或balanced_tree=False建造compact_nodes=False的实验。将两者都设置为False将提供与0.15.x相同的行为。不幸的是，很难设置让每个人都高兴的默认值，因为性能取决于数据。
还要注意，使用balanced_tree=True我们在构建kd树时通过quickselect计算中介。如果出于某种原因对数据进行了预排序，则速度会非常慢。在这种情况下，它将有助于洗牌行的输入数据。或者可以设置balanced_tree=False以避免部分流沙。
还有一个新的选项是多线程最近邻查询。试着用query给n_jobs=-1打电话，看看它是否对你有帮助。