Одновременный обход векторов в R

У меня есть переменная, зависящая от времени, представленная в виде двух векторов: вектор времени (отсортированный) и вектор значений в это время. Я хочу передискретизировать эту переменную в разное время, указанное другим отсортированным вектором времени.

На другом языке я бы сделал одновременный обход двух отсортированных векторов времени. т.е. линейный поиск от начала старого вектора времени до тех пор, пока я не найду время, ближайшее к первому элементу в новом векторе времени, а затем продолжаю с этой точки в старом векторе, чтобы найти время, ближайшее ко второму элементу в новом векторе. и т. д. Это дает решение, равное O(n).

Ключевым моментом здесь является то, что два вектора времени имеют разную длину, а элементы не связаны друг с другом, поэтому что-то вроде map2 или walk2 — это не то, что мне нужно.

Я могу реализовать одновременную прогулку с помощью цикла for (см. код ниже), и это работает, но медленно. У меня также есть другое решение, которое больше похоже на R codey, но оно O(n^2), так что оно также оказывается медленным. Есть ли способ R сделать это, используя внутренние реализации R, чтобы получить решение O (n)?

В качестве альтернативы, есть ли функция R, которая могла бы заменить мой get_closest() бинарным поиском, чтобы, по крайней мере, это было O (nlogn)?

Из моих поисков я подозреваю, что ответ будет таким: «напишите функцию C, которую вы вызываете из R», но я довольно новичок в R, поэтому я хотел проверить, что я ничего не упустил.

Обновлено:

Я должен был четко указать, что значения в new_times могут не существовать в old_times. Я хочу найти индекс в old_times, где время ближе всего к каждой записи в new_times. В моем реальном приложении я буду делать линейную интерполяцию, но этот вопрос касается только поиска ближайшего соседа.

library(tidyverse)

# input values given
old_times  <- c(2, 4, 6, 8, 10, 12, 14, 16, 18, 20)
old_values <- c(3, 7, 6, 7,  8,  9,  7,  6,  4,  6)
new_times  <- c(4.1, 9.6, 12.3, 17.8)

Желаемый результат

new_values <- c(7, 8, 9, 4)

Моя попытка

new_values <- rep(NA, length(new_times))
old_index  <- 1

for (new_index in 1:length(new_times)) {
  while (old_index < length(old_times) &&
         old_times[old_index] < new_times[new_index]) {
    old_index <- old_index + 1
  }

  # I could now do interpolation if the value of new_times is in between
  # two values in old_times.  The key is I have a correspondence that
  # new_times[new_index] is close in time to old_times[old_index].
  new_values[new_index] <- old_values[old_index]
}


# Here's an alternative way to do it that uses more R internals,
# but winds up being O(n^2).

# Get the index in old_times closest to new_time.
# This is O(n).
get_closest <- function(new_time, old_times) {
  return(which.min(abs(new_time - old_times)))
}

# Call get_closest on each element of new_times.
# This is O(n^2).
new_indices <- unlist(map(new_times, get_closest, old_times))

# Slice the list of old values to get new values.
new_values2 <- old_values[new_indices]