kdtree 如何应用，取个例子，同时搜索多个点在另外点空间的最短距离点

KDTree（k-dimension tree，简称kd树）主要用于在高维空间中执行快速的最近邻查询（Nearest Neighbor Search）。它的应用场景包括机器学习（如聚类分析、异常检测）、计算机视觉（特征匹配）、游戏开发（碰撞检测）等。

例如，在三维空间中，假设有一个由许多三维坐标点（x, y, z）组成的集合，我们想找出给定的多个目标点（目标A, B, C...）在该集合中最接近的点。我们可以使用KDTree进行这样的操作：

首先，我们需要构建一个KDTree，把所有输入的三维点作为数据点放入：

from sklearn.neighbors import KDTree

data_points = [(x1, y1, z1), (x2, y2, z2), ...]  # 所有已知的三维坐标点
tree = KDTree(data_points)

然后对于每一个目标点target_A, target_B, ..., 我们可以调用`query`方法寻找最近邻：

for target in [target_A, target_B, ...]:
    distances, indices = tree.query([target], k=1)  # k=1表示只找一个最近邻
    closest_point = data_points[indices[0][0]]  # 返回最接近的目标点
    print(f"目标 {target} 的最近邻是 ({closest_point[0]}, {closest_point[1]}, {closest_point[2]})")

这里，`distances`返回的是每个目标到最近邻的距离，`indices`则给出了对应的点在原始数据点列表中的索引位置。