我有一个旧的 Dataframe ，包含以下列和许多行，如下所示

>old_df
date/time    Name   detect_ID   category  ID
12/1/2023    XXX    1           B        1400
12/1/2023    XXY    1,3,7       B        1402
12/1/2023    XXY    4           A        1403
12/1/2023    XXY    4           B        1407
.....

我有一些关于new_df的信息，它有类似的列，基于此，我想更新old_df。新 Dataframe 为：

>new_df
date/time    Name   detect_ID   category  ID
13/1/2023    XXX    1           B        1400
14/1/2023    XXY    1,3,8       B        1402
14/1/2023    XXY    1           B        1405
.....

对于更新，我希望以下条件：
1.我想遍历old_df的行，同时检查new_df的每一行及其信息。但我只想检查 Category 列值为“B”的old_df的那些行。
1.首先，程序将记住第一行的 ID 值new_df用于第一次迭代（并使用连续迭代遍历new_df的所有行）。在遍历old_df的行时。如果new_df的第一行的 ID 与old_df的任何 ID 都不匹配，则将从new_df中获取整行并将其添加为old_df的新行，同时在old_df中创建一个名为 Identify 的新列并分配一个值 new。
如果此new_df的 ID 与old_df的任何 ID 匹配，则它将遍历该特定行的 detect_ID 列值。
答：如果old_df的特定 detect_ID 值与第一行的new_df的 detect_ID 值匹配，它将采用new_df的特定行并替换匹配的old_df行，而新创建的列 identify 的值将为 updated。在这种情况下。此外，如您所见，detect_ID 有多个值：我想分别检查它们，其中一些数字可能是整数，所以基本上用**，将它们拆分，并将它们转换为整数。
B.如果old_df的 detect_ID 值与第一行的new_df的 detect_ID 值不匹配，它将从new_df中取出整行，并将其添加为old_df的新行，同时进入列 identify 并分配值 new。
1.对于old_df的行，“ID”值与具有相同“ID”或相同“ID”但“detect_ID”值不匹配的new_df的任何行不匹配，将在old_df中保持不变，并在 identify 列中具有值 unchanged。
我希望它迭代old_df的所有行，直到new_df的每一行都在old_df**中更新。
对于给定的示例，我希望输出 Dataframe 如下所示：

>output
date/time    Name   detect_ID   category  ID   identify
13/1/2023    XXX    1           B        1400   updated  [Case A] 
14/1/2023    XXY    1           B        1402   updated  [Case A with multiple detect_ID]
14/1/2023    XXY    3           B        1402   updated
12/1/2023    XXY    7           B        1402   unchanged  [Step 3, Id matches but detect_id do not ]
14/1/2023    XXY    8           B        1402   new        [Case B]
12/1/2023    XXY    4           A        1403   unchanged   
12/1/2023    XXY    4           B        1407   unchanged [Step3 , id not found in new_df]

我正在使用下面的代码，但它似乎没有工作的方式，我想要的。它给了很多重复，并没有迭代通过很多行的旧_df太多。

old_df = pd.read_csv('old.csv')
new_df = pd.read_csv('new.csv')

# Create a set of tuples representing the unique (ID, Detector Id) pairs in the old dataframe
unique_pairs = set()
for _, row in old_df.iterrows():
    detector_ids = [int(x) for x in str(row['Detect_ID']).split(',')]
    for detector_id in detector_ids:
        unique_pairs.add((row['ID'], detect_id))

# Iterate over the rows in the new dataframe and check if their (ID, Detector Id) pair is in the set of unique pairs
new_rows = []
updated_rows = []
for _, row in new_df.iterrows():
    detector_ids = [int(x) for x in str(row['Detect_ID']).split(',')]
    for detector_id in detector_ids:
        if (row['ID'], detector_id) in unique_pairs:
            old_row = old_df.loc[(old_df['ID'] == row['ID']) & (old_df['Detect_ID'].str.contains(str(detector_id)))]
            if not old_row.empty:
                old_row = old_row.iloc[0]
                old_row['Date/Time'] = row['date/time']
                old_df.loc[(old_df['ID'] == row['ID']) & (old_df['Detector_ID'].str.contains(str(detector_id))), 'date/time'] = old_row['date/time']
                updated_rows.append(old_row)
        else:
            row['Identify'] = 'new'
            new_rows.append(row)
            unique_pairs.add((row['ID'], detector_id))

# Append the new rows to the old dataframe and write the updated dataframe to a new file
old_df = old_df.append(new_rows, ignore_index=True)
for row in updated_rows:
    row['Identify'] = 'updated'
old_df = old_df.append(updated_rows, ignore_index=True)
old_df.to_csv('updated.csv', index=False)