¿Buscando optimizar la agrupación de observaciones en un dataframe con pruebas lógicas en otro dataframe?

Soy un traductor de español que traduce documentos de TI. Traduce lo siguiente al español. No traduzcas el código y la salida en markdown.

Soy un programador autodidacta en busca de algunos comentarios sobre el algoritmo que tengo para clasificar observaciones. Tengo 2 marcos de datos, df1 y df2, con un conjunto de observaciones. Quiero asociar los eventos de una serie temporal a otra serie temporal en función de cuándo ocurrieron. He probado diferentes enfoques y he terminado con la siguiente función.

bin_observations <- function(df1, df2) {
  df1$beat.bin <- "NA"
  df1$beat.bin <- as.integer(df1$beat.bin)
  for (h in 1:nrow(df1)) {
    for(g in 1:nrow(df2)) {
      if (is.na(df1$beat.bin[h] == TRUE) & df1$SECONDS[h] <= df2$SECONDS[g]) {
          df1$beat.bin[h] <- df2$beat[g-1]
      }
    }
  }
  return(df1)
}

La clave para que la función funcione según lo escrito fue introducir una prueba lógica para ver si el campo en el que estaba escribiendo ya había sido escrito. Antes de esto, estaba haciendo una serie de comprobaciones en los valores de cada marco de datos entre sí para encontrar el bin de tiempo. Aquello fue un desorden de lógica condicional.

Mi pregunta es: ¿cuál sería un enfoque mejor para hacer algo así? Además, si alguien pudiera señalarme algunos recursos buenos que pueda utilizar para mejorar mi código, lo agradecería mucho.

Aquí están los datos del ejemplo y un ejemplo de la salida.

df.1 <- data.frame(SECONDS = c(0.043, 0.169, 0.260, 0.384, 0.448, 0.869, 1.038, 1.560, 1.584, 1.644, 1.780, 2.772, 2.839, 3.080, 3.616))

df.2 <- data.frame(SECONDS = c(0.000, 0.510, 1.018, 1.518, 2.023, 2.531, 3.038, 3.546, 4.051, 4.569, 5.080, 5.595),
                   beat = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12))

df.1 <- bin_observations(df1 = df.1, df2 = df.2 )

Aquí tienes la salida:

> df.1
   SECONDS beat.bin
1    0.043        1
2    0.169        1
3    0.260        1
4    0.384        1
5    0.448        1
6    0.869        2
7    1.038        3
8    1.560        4
9    1.584        4
10   1.644        4
11   1.780        4
12   2.772        6
13   2.839        6
14   3.080        7
15   3.616        8

Gracias por cualquier consejo o idea.