參考博客：https://blog.csdn.net/vinceee__/article/details/83044037
參考博客：https://blog.csdn.net/wi162yyxq/article/details/71514423
在BSTree中，節點分割的是一維數軸，那么在二維中，節點分割為平面了，就像這樣：
黃色的點作為根節點，上面的點歸左子樹，下面的點歸右子樹，接下來再不斷地划分，最后得到一棵樹就是的BSPTree（binary space partitioning tree）. 分割的那條線叫做分割超平面（splitting hyperplane），在一維中是一個點，二維中是線，三維的是面。
KDTree就是超平面都垂直於軸的BSPTree。同樣的數據集，用KDTree划分之后就是這樣：
KdTree 是以二叉搜索樹（Binary Search Tree）為原型的用於空間檢索的數據結構，能夠在隨機分布的空間內以 O(log2N) 的時間復雜度實現對平面內點的搜索以及 O(log2N) + R 的復雜度查詢平面內任意矩形內的所有點（R為矩形內點的個數）。 KdTree的應用十分廣泛，包括且不限於范圍搜索，最鄰近點搜索，物理引擎中的碰撞檢測以及地理節點（如外賣商家）數據庫等。
原理簡介
KdTree的實現方法與BST十分相似，以最常用的二維平面的KdTree為例，其每個節點存儲一個二維的坐標點，並將平面空間以該點所在的橫線/豎線遞歸地分割成兩個子空間。
以width = 1.0, height = 1.0的單位平面為例，依次插入下列點
Note:
點對平面的分割方式是橫向/縱向按照層次交替出現（根節點是哪個方向都可以）。
插入節點的方法類似於BST，即從根節點開始，（設要插入的節點為Pinsert，當前遍歷的節點為Pcurrent）如果Pinsert在Pcurrent的左邊或者下邊，那么就訪問Pcurrent的left child， 反之訪問right child直到成為葉子節點。
本KdTree不支持刪除操作。
復雜度比較
KdTree在最壞情況下的復雜度與暴力求解（用集合遍歷所有元素）一樣都是O(n)， 但在隨機分布的情況下可以達到O(log2N)。
以下為兩個數據結構在隨機分布的空間中的算法復雜度 (其中R表示矩形范圍內點的個數)
