SKCnlearn 最近邻运行时：构造与查找

问：

假设我有一个大小约为 4000 x 10 的 2D numpy 数组。假设我将每一行视为 10 维空间中的一个点，并希望计算每个点的 5 个最近邻。我运行了以下代码。

import numpy as np
from sklearn.neighbors import NearestNeighbors
import time
A = np.random.rand(4000, 10)
t1 = time.time()
nbrs = NearestNeighbors(n_neighbors = 5, algorithm = 'kd_tree').fit(A)
t2 = time.time()
distance, indices = nbrs.kneighbors(A)
t3 = time.time()
print('time taken for step1: fitting is:', t2 - t1)
print('time taken for step2: retrieving data is:', t3 - t2)

结果是

time taken for step1: fitting is: 0.009654521942138672
time taken for step2: retrieving data is: 0.3108406066894531

我的第一个问题：为什么获得距离/索引数组所需的时间比拟合要长得多。根据我的理解，拟合是构建模型的过程（计算距离，对计算出的距离进行排序），而获取距离/索引只是从模型中读取数据。与我的直觉完全相反，第 2 步需要更多的时间。我的哪一部分理解不正确？

我的第二个问题是，如果我只想要模型中的索引，即对于每个点，最接近的 5 个点的索引，而不是距离，有什么方法可以使第 2 步更快？