嘿，这个需求真的没必要上KNN这么重的算法——咱们用最基础的几何知识就能搞定，而且计算效率还更高！

核心思路：比较距离平方，跳过开根号 #

我们都知道两点间的欧几里得距离公式是：√[(x2-x1)² + (y2-y1)²]，但比较两个距离的大小，完全不需要开根号！因为平方根是单调递增的函数，距离平方的大小关系和实际距离的大小关系是完全一致的。这样既能省掉浮点运算的开销，代码也更简洁。

具体实现步骤 #

假设我们有两个已知点：

• 点A：(x1, y1)
• 点B：(x2, y2)
  新点P：(x, y)

1. 计算P到A的距离平方：(x - x1)² + (y - y1)²
2. 计算P到B的距离平方：(x - x2)² + (y - y2)²
3. 比较这两个平方值：
   • 哪个小，就说明新点离对应的已知点更近
   • 如果相等，说明新点到两个已知点的距离一样

代码示例（Python） #

def get_closest_point(new_point, point_a, point_b):
    # 计算到A的距离平方
    dist_sq_to_a = (new_point[0] - point_a[0])**2 + (new_point[1] - point_a[1])**2
    # 计算到B的距离平方
    dist_sq_to_b = (new_point[0] - point_b[0])**2 + (new_point[1] - point_b[1])**2
    
    if dist_sq_to_a < dist_sq_to_b:
        return point_a, "新点距离点A更近"
    elif dist_sq_to_b < dist_sq_to_a:
        return point_b, "新点距离点B更近"
    else:
        return None, "新点到两个已知点的距离相等"

# 测试一下
point_A = (1, 2)
point_B = (4, 6)
new_P = (3, 4)
closest_point, result_msg = get_closest_point(new_P, point_A, point_B)
print(result_msg)  # 输出：新点距离点B更近

为什么这个方法比KNN好？ #

• 完全不需要训练模型，也不用处理数据集，就是纯几何计算
• 时间复杂度是O(1)，比KNN的O(n)（n为样本数）快得多，尤其当只有两个已知点时，优势拉满
• 代码逻辑直观，几乎没有学习成本，出问题也好调试

内容的提问来源于stack exchange，提问作者MadmanLee