Pandas: Как объединить два фрейма данных по ближайшему совпадению индекса?

У меня есть два df1, df2 с индексами одного типа, но с небольшим, если таковые имеются, одинаковыми совпадениями. Индексы также могут иметь дубликаты. Столбцы A и B будут состоять из уникальных внутренних значений. Все индексы и столбцы упорядочены, но не в одном направлении. df1.index является убывающим, а df1['A'] восходящим. df2.index возрастает, а df2['B'].

df1: (числа слева - безымянные индексы кадров данных)

            A
80 -13.545215
76 -12.270691
73 -11.274724
65  -8.280187
38  -7.965972
13  -7.788130
10  -6.690969
6   -5.273063

df2:

            B
8  -13.827641
10 -12.283885
14 -11.459951
62 -11.067622
64 -10.745988
87 -10.661594
95  -9.816053
97  -7.740810

Я хотел бы объединить кадры данных таким образом, чтобы значения в df2['B'] помещались в ближайший соответствующий индекс из df2 в df1, так что желаемый вывод принимает форму:

            B         A
8  -13.827641 -6.690969
10 -12.283885 -6.690969
14 -11.459951 -7.965972
62 -11.067622 -8.280187
64 -10.745988 -8.280187
87 -10.661594  NaN
95  -9.816053  NaN
97  -7.740810  NaN

Если ближайший индекс A в абсолютном выражении ниже, чем индекс B, то верхнее значение индекса A является правильным соответствием. Если индекс B не имеет соответствующего соответствия в индексе A, который выше, то NaN является правильным соответствием.

До сих пор я использовал pd.merge() и fillna() для проведения необходимого анализа. Но некоторые могут посчитать "неестественным" проводить анализ интерполированных/синтетических данных. Во всяком случае, как я это делал:

Пример неполного кода для pd.merge() и dropna():

# outer merge
df3 = pd.merge(df1,df2, how = 'outer', left_index = True, right_index = True)
#df4 = df3.interpolate(method = 'linear')[1:]
df4 = df3.interpolate(method = 'linear').dropna()
df4

Выход:

            A          B
8   -5.982016 -13.827641
10  -6.690969 -12.283885
13  -7.788130 -11.871918
14  -7.877051 -11.459951
38  -7.965972 -11.263787
62  -8.070710 -11.067622
64  -8.175448 -10.745988
65  -8.280187 -10.729109
73 -11.274724 -10.712230
76 -12.270691 -10.695352
80 -13.545215 -10.678473
87 -13.545215 -10.661594
95 -13.545215  -9.816053
97 -13.545215  -7.740810

Участок:

Полные данные и пример кода

#imports
import numpy as np
import pandas as pd

# Some sample data
np.random.seed(1)
df1_index = sorted(np.random.randint(1,101,8), reverse = True)
df1info = {'A':sorted((np.random.normal(10, 2, 8))*-1)}

df2_index = sorted(np.random.randint(1,101,8))
df2info = {'B':sorted(np.random.normal(10, 2, 8)*-1)}

# Two dataframes
df1 = pd.DataFrame(df1info, index = df1_index)
df2 = pd.DataFrame(df2info, index = df2_index)

# outer merge
df3 = pd.merge(df1,df2, how = 'outer', left_index = True, right_index = True)

# interpolate missing values
df4 = df3.interpolate(method = 'linear').dropna()

# plot
df4.plot()

Спасибо за любые предложения!

Изменить 1: Дублировать сценарий 1:

Если df2.index имеет точное совпадение в df1.index, а df1.index имеет дубликат, то правильное совпадение является самым низким df1.index. Я надеюсь, что в этом есть смысл. Если по какой-то причине это окажется бессмысленным, я открыт для других предложений!