您可以使点的尺寸不确定，而仅给出点数的近似值。小意味着什么？一个人小小的意思是相对的。

您搜索的内容当然不存在。您的问题几乎是这样的：

问题 ：

对于小型数据集（无论对您而言意味着什么），对于具有遵循均匀分布的数据的任何维度，最佳的数据结构是什么？

答 ：

没有这样的数据结构。

对此没有答案是否太奇怪？一个错误的类比就是这个问题的代名词：“哪种是最佳编程语言？”
大部分第一年的本科生都有这个问题。您的问题不是那么幼稚，而是走在同一条路上。

为什么没有这样的数据结构？

因为，数据集的维度是可变的。这意味着，您可能有一个2维的数据集，但也可能意味着您有一个1000维的数据集，或者甚至有一个1000维的数据集，其固有维数远小于1000。考虑一下，是否可以提出一种数据结构，使其对我提到的三个数据集表现同样好？我对此表示怀疑。

实际上，有些数据结构在低维度上表现得非常好（例如四叉树和KD树），而另一些数据结构在较高维度上的表现要好得多（例如RKD树森林）。

此外，用于最近邻居搜索的算法和期望值在 很大程度上
取决于数据集的维度（以及数据集的大小和查询的性质（例如，距离数据集太远或等距的查询）从数据集的角度来看可能会导致搜索性能降低））。

在较小的维度中，将执行k最近邻（k-NN）搜索。在更高的维度上，执行k-近似NN搜索会更明智。在这种情况下，我们遵循以下权衡：

速度VS精度

发生的是，通过牺牲结果的正确性，我们可以更快地执行程序。换句话说，我们的搜索例程将相对较快，但是（可能会取决于许多参数，例如您的问题的性质和所使用的库）（它的可能性取决于）
而不是
返回真正的NN，而是近似确切的NN。例如，它可能找不到确切的NN，而是找到查询点的第三个NN。您也可以检查近似nn搜索的 Wiki标记。

为什么不总是搜索确切的NN？由于维数的诅咒，导致较低维数提供的解决方案的行为与蛮力一样好（在每个查询中搜索数据集中的所有点）。

您看到我的答案已经很大，所以我应该在这里停止。我必须承认，你的问题太笼统了，但很有趣。:)

总之，哪种最佳数据结构（和算法）可以使用取决于您的问题。 您正在处理的数据集的大小，点的尺寸和固有尺寸起着关键作用。查询的数量和性质也起着重要作用。