假设我有一个2D numpy数组，大小大约为4000 x 10。假设我把每一行都看作是10维空间中的一个点，并想计算每个点的5-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

第一个问题为什么获取距离/索引数组的时间比拟合时间长得多。根据我的理解，拟合是构建模型的过程（计算距离，对计算的距离进行排序），而获取距离/索引只是从模型中阅读数据。与我的直觉相反，第二步需要更多的时间。我的理解哪一部分是不正确的？
我的第二个问题是，如果我只想要模型中的指数，即。对于每个点，索引的5点是最近的，而不是距离，有没有办法使步骤2更快？