kd-tree和r-tree的区别

参考网址： https://qa.1r1g.com/sf/ask/302843271/

参考网址：https://www.codenong.com/4326332/

它们实际上是完全不同的.它们具有相似的用途(对空间数据进行区域查询),它们都是树木,但这就是它们的共同点.

R树是平衡的,kd树不是(除非是大量装载).这就是R树更改数据的首选原因,因为可能需要重建kd树以进行重新优化.
R-Trees是面向磁盘的.它们实际上在直接映射到磁盘表示的区域中组织数据.这使它们在真实数据库和内存不足操作中更有用.kd-tree是面向内存的,并且放入磁盘页面并不重要
R-Trees不覆盖整个数据空间.可以揭开空白区域.kd-trees总是覆盖整个空间.
kd-trees 二进制分割数据空间,r-trees将数据分割成矩形.二进制分裂显然是不相交的; 而r树的矩形可能重叠(实际上有时是好的,尽管有人试图最小化重叠)
kd-tree在内存中更容易实现,这实际上是它们的关键优势
R树可以存储矩形和多边形,kd树只存储点矢量(多边形需要重叠)
R-tree具有各种优化策略,不同的分割,批量加载,插入和重新插入策略等.

R树和k d树基于类似的想法(基于轴对齐区域的空间划分),但关键区别是:

k中的节点 d树中的表示分离平面,而R树中的节点表示边界框.
k d-trees将整个空间划分为区域,而R-tree仅划分包含感兴趣点的空间子集.
k个 d树表示不相交的分区(点仅属于一个区域),而R树中的区域可以重叠.

(分区空间有很多类似的树结构:四叉树,BSP树,R*树等等)

这个答案中没有提到的两者之间的主要区别是KD树只在批量加载情况下有效.一旦构建,修改或重新平衡KD树是非常重要的.R树不会受此影响.

它们实际上是完全不同的。它们的作用类似(对空间数据进行区域查询)，它们都是树(都属于边界体积层次结构索引家族)，但这就是它们的共同点。

R树是平衡的，k树不是平衡的(除非批量加载)。这就是为什么使用R树来更改数据的原因，因为可能需要重建k d树才能进行重新优化。
R树是面向磁盘的。他们实际上是在直接映射到磁盘表示形式的区域中组织数据。这使它们在实际数据库和内存不足操作中更加有用。 k-d树面向内存，可轻松放入磁盘页面
批量加载时，k-d树很优雅(赞扬SingleNegationElimination指出了这一点)，而R树则更适合更改数据(尽管与静态数据一起使用时它们确实受益于批量加载)。
R树无法覆盖整个数据空间。可能会发现空白区域。 k-d树始终覆盖整个空间。
k-d-trees二进制分割数据空间，R-trees将数据分割成矩形。二进制拆分显然是不相交的。而R树的矩形可能会重叠(虽然有时会尽量减少重叠，但这实际上有时是好的)
k-d树在内存中更容易实现，这实际上是它们的主要优势
R树可以存储矩形和多边形，k树仅存储点向量(因为多边形需要重叠)
R树具有各种优化策略，不同的拆分，批量加载器，插入和重新插入策略等。
k-d树以到分离超平面的一维距离为界； R树使用到边界超矩形的d维最小距离作为边界(对于某些计数查询，它们也可以使用最大距离，以过滤出真实的正数)。
k-d树支持平方的欧几里得距离和Minkowski范数，而Rtrees也被证明也支持大地距离(用于在地理数据上查找近点)。