有一大堆点，知道这些点的x,y坐标(目前不知道用什么储存比较好)
要求，输入一个点，然后在这一大堆点里，查找离输入点最近的点的坐标(使用python)
请问有什么好方法或者算法
使用k维树:
from scipy import spatial
airports = [(10,10),(20,20),(30,30),(40,40)]# <--点集合
tree = spatial.KDTree(airports)
tree.query([(21,21)])# <--要查找的点
# <--输出结果（距离，airports的数组索引）(array([ 1.41421356]), array([1]))
Numpy有一个有用的函数:norm。
import numpy as np
A = [(26, 63), (25, 63), (24, 63), (23, 63), (22, 63), (21, 63), (20, 63), (22, 62), (27, 63)]# <--点集合
A = np.array(A)
leftbottom = np.array((0,238))# <--要查找的点
distances = np.linalg.norm(A-leftbottom, axis=1)
min_index = np.argmin(distances)
print(f"最近的点是{A[min_index]}, 距离为{distances[min_index]}")# <--输出结果
这个就是KNN算法的思路，就是把点的坐标投影到欧式空间，distance=math.sqrt((x1-x2)**2+(y1-y2)**2)，以此类推，（x1,y1）是你的已知坐标，循环选择选择最短的distance为距离最近的点，实现的时候推荐你用numpy库来弄，速度快，存储点的话txt,csv,excel都可以，我推荐csv,因为csv存储的时候刚好可以用逗号隔开，每行就是一个坐标点
以这点为圆心，然后半径依次累加，找这个园内是否覆盖有其它坐标点，遍历这个园内的所有坐标，计算欧式距离（或者城市距离，自己选择）最近的点。就是最近邻算法。
可通过欧几里得距离进行计算，参考：
import numpy as np
C = [[1,1], [10,10]]
X = [[1,2], [1,3], [2,1], [10,11], [10,12], [11,11], [12,11], [9,11]]
def F(C,X):
Carr = np.array(C)
Xarr = np.array(X)
distances = [np.sum( (Xarr - Carr[i])**2, axis=1) for i in range(len(C))]
closests = np.argmin( np.array(distances), axis=0 )
return list( np.bincount(closests) )
print(F(C,X))
补充：
量小的话用这种方法较为适宜，如果量太大了的话，可以使用k-means方法将点先进行聚类，比如说1000个点，分成了5簇，在计算的时候先计算和这5簇最近的那一簇，看目标点落在哪个簇里面，再在这个簇里面进行计算，就可以少计算很多次
保存的话，量太大建议用numpy库支持的npy格式保存，读取速度很快，占用空间小
直接用np.save(array) ,np.load(FILE_NAME) 即可
如果有用的话请采纳呀
我是把点放到数组里，如果在文件里可以把点读进来存到数组：
import numpy as np
points = np.array([[1,2],[3,4],[5,6],[7,8]])
coor = input("请输入点的坐标(格式:x,y):")
point = np.array(list(map(int, coor.split(","))))
dists = [np.linalg.norm(point-p) for p in points]
print(f'距离最近的坐标点是：{points[dists.index(min(dists))]}')
kd-tree (K-d树)就是专门干这个的，查找时间为O(log n)。github上可以找到很多python实现，比如这个https://github.com/gisalgs/indexing/blob/master/kdtree1.py （GIS Algorithms 书里的代码）。
输入
代表我所处位置的坐标对(x,y)。
一组坐标对[(a1,b1), (a2,b2)...]，其中每个坐标对表示一个机场。
所需输出
机场坐标对集合中的坐标对(a,b)，表示距离点(x,y)最近的机场。
效率低下的解决方案
这是我解决这个问题的低效尝试。很明显，在机场的长度上是线性的。
shortest_distance = None
shortest_distance_coordinates = None
point = (50.776435, -0.146834)
for airport in airports:
distance = compute_distance(point, airport)
if distance < shortest_distance or shortest_distance is None:
shortest_distance = distance
shortest_distance_coordinates = airport
既然是二维的话就用欧式距离来度量新输入点与其他所有点的距离，存储的话txt和excel都可以，读取数据之后放到numpy里面，计算每个点与当前点的距离，然后找到最小距离所对应的点。