Lec 27 - kd Tree
之前学习的数据结构都是一维的，当要处理二维或更高维的问题时，比如图像视频，就会需要存储多维的数据结构。
Multi-dimensional Data
首先看问题：有多少黄点是在绿框之中呢？离马最近的黄点是哪个？
应用之前所学的一维数据结构是这样解决的，建一个HashTable（或者数组我感觉就行了？），存储所有的黄点对象，对象的变量包括xPos和yPos（当然需要重写HashCode方法)，然后遍历HashTable，找到有多少个黄点对象在绿框中/离马最近的黄点对象。需要的复杂度是O(N)。
Uniform Partitioning
第一个减少查找复杂度的方法是，将区域均匀划分为n个网格。只查找相关网格中的对象。然而这样做，当点是均匀随机分布在平面内，查找一个网格需要的复杂度仍然是O(N)。
QuadTrees
一个点相对于另一个点只有四种相对方向：左上，右上，左下，右下（边界可以自行选择归到哪类）。因此可以建一个四个分支的树形结构，就可以表示某两个节点的相对方向。
Higher Dimensional Data
但是当比较的维度再升高，QuadTree的分支就会呈指数上升，这不太好。因此最常见的解决办法还是k-d Tree(k-Dimensional Tree)。
这里k-d Tree的构造方法是这样的：最开始的A将平面按x轴方向分成两部分，然后左边添加E，右边添加D。然后插入C，这时候B变成了y轴方向划分平面（x, y划分是间隔的），C在B之上，插入B右边，后面D, F依次插入。
这是一种简单的插入方式，实际应用中，每一步得计算数据的方差，判断在什么方向上划分空间。
可以这么实现nearest方法：
