Как обновить / добавить столбец с именем модели в CSV-файле по отношению к другому столбцу (эпохе) со значением 0

Question

Я пишу историю модели в csv, в которой позже я добавляю новое имя модели столбца, где мне нужно обновлять имя модели каждый раз, когда я запускаю с меткой времени. Но в настоящее время я сталкиваюсь с тем, что она обновляет имя модели не только для самого последнего, но и для всех, где он находит значение Epoch как 0. Пожалуйста, помогите, если у кого-то есть идеи.

Обучение CSV Содержит данные, и переменная model_na в основном содержит метку FileName_Time, которую можно увидеть в модели имя столбца ---

epoch	accuracy	loss	val_accuracy	val_loss
0	0.5991348	0.954963956	0.61725134	0.928029025
1	0.6101555	0.934882281	0.61725134	0.926564478
2	0.6101555	0.933647258	0.61725134	0.925897177
3	0.6101555	0.933986878	0.61725134	0.925625712
4	0.6101555	0.93378263	0.61725134	0.92587147
5	0.6101555	0.933501081	0.61725134	0.925496578
6	0.6101555	0.934000334	0.61725134	0.925522646
7	0.6101555	0.933863895	0.61725134	0.926479578
8	0.6101555	0.933888928	0.61725134	0.926321284
0	0.59779584	0.954151712	0.61725134	0.925566993
1	0.6101555	0.935797452	0.61725134	0.926761304
2	0.6101555	0.935356209	0.61725134	0.926412033
3	0.6101555	0.933948885	0.61725134	0.925769904
0	0.6020188	0.956590114	0.61725134	0.928246004
1	0.6101555	0.935971673	0.61725134	0.925614129
2	0.6101555	0.934430503	0.61725134	0.926334595
3	0.6101555	0.933712303	0.61725134	0.927097352
4	0.6101555	0.933796334	0.61725134	0.925467268
5	0.6101555	0.93388608	0.61725134	0.925654634
6	0.6101555	0.933794685	0.61725134	0.925489133
7	0.6101555	0.933911282	0.61725134	0.926129941

Я сейчас использую данный код и пишу --- '' 'df = pd.read_csv (' \ History \ training.csv ')

Type_new = pd.Series ([])

для i в диапазоне (len (df)):

if df["epoch"][i] == 0: 

    Type_new[i]=model_na

df.insert (0, "Model_Name", Type_new)

df.to_csv ('\ History \ cleaned_twitter_final.csv', index = False)

'' 'Токовый выход ----

Model_Name	epoch	accuracy	loss	val_accuracy	val_loss
LSTM_Model_19_Feb_2020_122031	0	0.5991348	0.954963956	0.61725134	0.928029025
	1	0.6101555	0.934882281	0.61725134	0.926564478
	2	0.6101555	0.933647258	0.61725134	0.925897177
	3	0.6101555	0.933986878	0.61725134	0.925625712
	4	0.6101555	0.93378263	0.61725134	0.92587147
	5	0.6101555	0.933501081	0.61725134	0.925496578
	6	0.6101555	0.934000334	0.61725134	0.925522646
	7	0.6101555	0.933863895	0.61725134	0.926479578
	8	0.6101555	0.933888928	0.61725134	0.926321284
LSTM_Model_19_Feb_2020_122031	0	0.59779584	0.954151712	0.61725134	0.925566993
	1	0.6101555	0.935797452	0.61725134	0.926761304
	2	0.6101555	0.935356209	0.61725134	0.926412033
	3	0.6101555	0.933948885	0.61725134	0.925769904

Ожидаемый результат ---

Model_Name	epoch	accuracy	loss	val_accuracy	val_loss
LSTM_Model_19_Feb_2020_122031	0	0.5991348	0.954963956	0.61725134	0.928029025
	1	0.6101555	0.934882281	0.61725134	0.926564478
	2	0.6101555	0.933647258	0.61725134	0.925897177
	3	0.6101555	0.933986878	0.61725134	0.925625712
	4	0.6101555	0.93378263	0.61725134	0.92587147
	5	0.6101555	0.933501081	0.61725134	0.925496578
	6	0.6101555	0.934000334	0.61725134	0.925522646
	7	0.6101555	0.933863895	0.61725134	0.926479578
	8	0.6101555	0.933888928	0.61725134	0.926321284
LSTM_Model_19_Feb_2020_132031	0	0.59779584	0.954151712	0.61725134	0.925566993
	1	0.6101555	0.935797452	0.61725134	0.926761304
	2	0.6101555	0.935356209	0.61725134	0.926412033
	3	0.6101555	0.933948885	0.61725134	0.925769904