在 Python 中优化 kd-tree 运行时的最佳方法是什么？

如何解决在 Python 中优化 kd-tree 运行时的最佳方法是什么？

我目前正在使用 Python 的 scipy.spatial.kdtree 在两个大型地球科学数据集之间执行最近邻查找。一个是附有特定纬度/经度的风暴报告集合；另一个是包含美国一半土地利用数据的 1x1 公里网格数据。

我对类似的数据集执行了 kd-tree 操作，这些数据集大约有 4.4 * 10 ^ 7 个点可以在 kd-tree 中排序，并且在大约 160 秒内成功排序；但是，当我尝试使用此数据集构建 kd 树时（大约有 1.6 * 10 ^ 8 个要排序的点），我的内核只是超时。我知道 kd-tree 在 Olog(n) 运行时运行，尽管我不太熟悉 big-O 表示法的精细工作，所以我不确定这是否会导致指数增长在运行时。

这可能是由于在构建 kd-tree 之前可以通过更好的数据分区来优化机器超时，还是这似乎有点侥幸？

提前致谢！