Ускорить расчет в np.array

Question

Следующие настройки: Normkurven - это значения на каждый день года для разных классов. Здесь у меня есть переменная с именем Norm, которая представляет собой pandas .DataFrame () с 13 классами в качестве столбцов и 365 строками

NDVI - это массив (всего 102x3600x3600) в этом случае для ускорения формы составляет (102x300x300), тогда как 102 - это 102 дня, когда я получил данные. 300x300 - это квадрат в середине интересующей меня области. Я сгладил массив, чтобы уменьшить необходимость индексации.

Моя цель - вычислить сходство каждого пикселя для каждого класса и сохранить класс с наибольшим сходством в списке.

import numpy as np
from operator import itemgetter
import similaritymeasures as sim
from time import time

Classification = []   


t0 = time()
for i in range(NDVI.shape[1]):
    TS = np.zeros((len(DOY),2))
    TS[:,0] = np.arange(1,len(DOY)+1,1)
    TS[:,1] = NDVI[:,i]
    TS = TS[~np.isnan(TS[:,1])]
    results = []

    if TS.size == 0:
        Classification[0,i] = "No data"
    else:
        for j in Norm:
            Norm_arr = np.zeros((365,2))
            Norm_arr[:,0] = np.arange(1,366,1)
            Norm_arr[:,1] = Norm[j].to_numpy()
            diff = sim.frechet_dist(TS,Norm_arr)
            results.append((j, diff))
        results.sort(key = itemgetter(1))
        Classification.append() = results[0][0]
    print(i)
print((time()-t0)/60)

Как видите, я перебираю каждую ячейку и каждый класс и вычисляю сходства. Я хочу протестировать разные методы измерения подобия и сравнить результаты. Первым методом был sim.pcm (), который рассчитывался в течение 3 часов, но за ночь frechet_distance заняла около 8 часов для 2000 ячеек, что очень много.

Можно ли реструктурировать мой код, чтобы он делал то, что есть, но намного быстрее?