如何按区间上界合并不同大小的两个Pandas DataFrame

此前已解决基于区间下界合并不同大小Pandas DataFrame的问题，现需实现匹配对应区间的上界。

现有两个DataFrame：

import pandas as pd

df1 = pd.DataFrame({'col1': [0.5, 0.75, 1.1, 1.6,  2, 3, 5.5, 10, 11.2] })
df2 = pd.DataFrame({'col2': [0, 3, 10, 15] })

匹配规则：df2['col2'].iloc[y] <= df1['col1'].iloc[x] < df2['col2'].iloc[y+1]，需为df1的每个col1值匹配对应区间的上界（即df2['col2'].iloc[y+1]），期望结果：

df1['result'] = [3, 3, 3, 3, 3, 10, 10, 15, 15]

方法1：使用numpy.searchsorted #

利用searchsorted快速定位每个值在区间数组中的插入位置，直接映射到对应的上界：

import numpy as np

# 提取df2的区间边界数组
bins = df2['col2'].values
# 定位每个col1值的插入位置（遵循左闭右开规则）
indices = np.searchsorted(bins, df1['col1'], side='left')
# 映射到对应的区间上界
df1['result'] = bins[indices]

方法2：使用pd.cut #

通过分箱函数直接将值映射到区间上界：

# 用df2的col2作为分箱边界，指定标签为区间上界，include_lowest确保第一个区间包含左边界
df1['result'] = pd.cut(
    df1['col1'],
    bins=df2['col2'].values,
    labels=df2['col2'].values[1:],
    include_lowest=True
)
# 若需要将结果转为数值类型（pd.cut默认返回分类类型）
df1['result'] = df1['result'].astype(int)

两种方法均可得到期望结果，其中numpy.searchsorted在数据量较大时性能更优。

内容的提问来源于stack exchange，提问作者AdR