按距离排序查询通常需要读取整个数据集，以计算每个数据点与目标点之间的距离，并对其进行排序。以下是一个使用Python进行按距离排序查询的示例代码：

import numpy as np

# 生成示例数据集
data = np.random.rand(100, 2)  # 100个二维数据点
target_point = np.array([0.5, 0.5])  # 目标点

# 计算每个数据点与目标点之间的距离
distances = np.linalg.norm(data - target_point, axis=1)

# 按距离排序查询
sorted_indices = np.argsort(distances)
sorted_data = data[sorted_indices]

# 打印排序后的数据
print(sorted_data)

在上述代码中，首先使用numpy库生成一个大小为100的二维数据集data，并定义了一个目标点target_point。然后，通过计算每个数据点与目标点之间的欧氏距离，得到了一个距离数组distances。接下来，使用numpy的argsort函数对距离数组进行排序，并得到排序后的索引数组sorted_indices。最后，通过使用排序后的索引数组，从原始数据集data中获得排序后的数据sorted_data。

需要注意的是，这种方法需要读取整个数据集，并计算每个数据点与目标点之间的距离，因此在数据集较大时可能会消耗较多的时间和计算资源。如果数据集非常大，可以考虑使用近似算法或者利用索引结构（如KD树）来加速按距离排序查询的过程。