我一直在阅读几篇关于K-D树与R树的SO帖子，但我仍然对我的具体应用有一些疑问。
对于我的Java应用程序，我想保留相对较少的空间数据点（几十万）。关键是数据插入不会被批量加载，而是经常和逐步插入。我还要提一下，我将在空间域的子区域上执行大量的周期性范围查询。
我已经读过K-D Trees通常不支持增量构建，并且R-tree更适合这种情况，因为它们保持平衡状态。
但是，在查看此处建议的解决方案后： Java commercial-friendly R-tree implementation?
我没有发现这些实现很容易用于返回范围搜索中的点列表。但是，我发现：http://java-ml.sourceforge.net/有一个非常好的K-D树实现，它可以快速运行，并且在一组测试点（~25K）上优于标准阵列存储。另外，我已经读过R树在处理点时存储冗余信息（因为一个点是min = max的矩形）。
由于我使用较少数量的点，两个结构之间的差异是不是比重要的，例如，如果我使用的是存储数百万个点的数据库应用程序？
提前致谢！
答案 0 :(得分：2)
R-tree无法存储点是不正确的。它们被设计为支持矩形，并且需要在内部节点处这样做。但是良好的实现应该在叶级别存储点，并且在那里大致具有双倍数据容量。
您可以简单地存储点，并将公开它们作为“矩形”公开，其中min = max为树管理代码。
您的数据不小。小就像100个物体。对于100个对象，R树没有多大意义，因为它可能只包含一个叶子。为了获得良好的性能，R树需要良好的扇出。 k-d-tree总是有扇出2;他们是二叉树。在100k物体上，k-d树将非常深。假设您的扇出为100（对于动态r树，则每页最多允许200个对象），您可以在3级树中存储100万个点。
我使用了ELKI R * -tree，它真的很快。但它不是商业友好的，除非你获得不同的许可证：它是AGPL-3许可的，这是一个copyleft许可证。
此外，API不是为独立使用而设计的。如果你想使用它们，最好的方法是使用完整的ELKI框架，而不是试图撕掉R * -tree。
如果您的数据是低维（例如，3维）并且具有有限界限，请不要低估简单的基于网格的方法的性能。特别是对于内存中的操作。在许多情况下，我甚至不会使用八叉树，而只是为我的用例定义最佳网格，然后使用对象列表实现它。按每个网格单元格中的一个坐标进行排序，以进一步提高性能。
答案 1 :(得分：1)
如果您想频繁添加/删除/更新数据点，您可能需要查看PH树。这是开源Java版本：www.phtree.org
它的工作方式有点像四叉树，但使用二进制超立方体和前缀共享效率更高。
它具有出色的更新性能（无需重新平衡）并且具有极高的内存效率。对于较大的数据集，它可以更好地工作，但对于2维或3维，100K应该没问题。