我有以下数据：

• img：表示形状为（200，200，256）的高光谱图像的3D numpy阵列，即200 x200像素，每个像素在均匀间隔的波长（波段）处保持256个整数反射率值
• reference_spectrum：一个numpy数组，包含256个整数反射率值（类似于单个像素）
• dist：一个距离函数，接受两个相同长度的numpy数组并返回一个真实的

我想得到一个2D numpy数组result，形状为（200，200），使得result[i, j] == dist(img[i, j], reference_spectrum)。
首先，我写了一个明显的嵌套for循环：

result = np.zeros((img.shape[0], img.shape[1]))
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        result[i, j] = dist(img[r, c], reference_spectrum)

这是缓慢的，看起来很丑。
然后我使用距离函数$dist（a，B）= \sum_{i=0}^{n}| a_i-b_i|我写了下面的代码：

temp = np.zeros(img.shape)
for k in range(img.shape[2]):
    temp[: , :, k] = abs(img[: , :, k] - reference_spectrum[k])
result = np.sum(temp, axis=2)

这更快，但仅适用于特定的距离函数。
我正在寻找一个快速和模块化（w.r.t.距离函数）解。