Как ускорить вычисление оценки на основе двух строк в фрейме данных Pandas?

TLDR: как можно настроить цикл for для более быстрого выполнения:

import numpy as np
import pandas as pd
import time

np.random.seed(0)

# Given a DataFrame df and a row_index
df = pd.DataFrame(np.random.randint(0, 3, size=(30000, 50)))
target_row_index = 5

start = time.time()

target_row = df.loc[target_row_index]
result = []

# Method 1: Optimize this for-loop
for row in df.iterrows():
    """
    Logic of calculating the variables check and score: 
    if the values for a specific column are 2 for both rows (row/target_row), it should add 1 to the score
    if for one of the rows the value is 1 and for the other 2 for a specific column, it should subtract 1 from the score.
    """
    check = row[1]+target_row  # row[1] takes 30 microseconds per call
    score = np.sum(check == 4) - np.sum(check == 3) # np.sum takes 47 microseconds per call
    result.append(score)

print(time.time()-start)

# Goal: Calculate the list result as efficient as possible

# Method 2: Optimize Apply
def add(a, b):
    check = a + b
    return np.sum(check == 4) - np.sum(check == 3)
    
start = time.time()
q = df.apply(lambda row : add(row, target_row), axis = 1)
print(time.time()-start)

Итак, у меня есть фрейм данных размером 30 000 и целевая строка в этом фрейме данных с заданным индексом строки. Теперь я хочу сравнить эту строку со всеми другими строками в наборе данных, вычислив оценку. Оценка рассчитывается следующим образом:

1. если значения для определенного столбца равны 2 для обеих строк, он должен добавить 1 к оценке
2. если для одной из строк значение равно 1, а для другой 2 для определенного столбца, из оценки следует вычесть 1.

Результатом будет список всех оценок, которые мы только что подсчитали.

Поскольку мне нужно выполнять этот код довольно часто, я хотел бы оптимизировать его для повышения производительности. Любая помощь очень ценится.

Я уже прочитал Оптимизация при использовании Pandas. Можете ли вы порекомендовать дополнительные ресурсы? Спасибо