从纬度/经度数据(以弧度为单位(开始，我正在尝试有效地找到最近的n个邻居，理想情况下是测地线(WGS-84(距离。
现在我正在使用 sklearn 的 BallTree 具有哈弗正弦距离(KD-Tres 只采用闵可夫斯基距离(，这既好又快(3-4 秒在 7500 个可能的匹配中找到 1200 个位置的最近 5 个邻居(，但不如我需要的那么准确。法典：
tree = BallTree(possible_matches[['x', 'y']], leaf_size=2, metric='haversine')
distances, indices = tree.query(locations[['x', 'y']], k=5)
当我在自定义函数中替换公制 (metric=lambda u, v: geopy.distance.geodesic(u, v).miles( 时，它需要"不合理"的时间(与上述相同的情况下为 4 分钟(。据记载，自定义函数可能需要很长时间，但不能帮助我解决问题。
我查看了使用带有 ECEF 坐标和欧几里得距离的 KD 树，但我不确定这是否真的更准确。
如何保持当前方法的速度，同时提高距离精度？
你的指标速度慢的主要原因是它是用Python编写的，而sklearn中的其他指标是用Cython/C++/C编写的。
例如，这里讨论的随机森林或这里，你必须在Cython中实现你的指标，分叉你自己的BallTree版本，并在那里包含你的自定义指标。