kd树搜索与线性搜索对比

在做毕业设计的时候，遇到这样一个需求：

给定一万五千个点，再给定一个目标点，要求离目标点的最近点，说白了就是求“最近邻”问题

传统的方式，就是从第一个点开始算距离，把一万五千个点都算完，再取最小值

但是这样的方式比较慢，所以利用了knn算法中的kd树进行搜索

kd树的原理在李航的《机器学习》书籍中有详细的介绍，包括kd树的构建和kd树的搜索，但是李航的书里面只有kd树搜索最近邻

关于原理性的东西网上有很多资料，在此就不再累赘了

但是我想探究的是，究竟kd树搜索，跟传统线性搜索相比，能够快多少，所以我就写代码验证了

import numpy as np
import time
import random
from sklearn.neighbors import NearestNeighbors
import matplotlib.pyplot as plt

N = 100000
k = 1

method1_time = []
method2_time = []

print("N=", N)
print("k=", k)
for time_i in range(3):
    X = [[np.random.random() * 100 for _ in range(2)] for _ in range(N)]
    target = [[np.random.random() * 100 for _ in range(2)] for _ in range(k)]

    X = np.array(X)
    target = np.array(tar