如何按缺失数据块拆分DataFrame并按需插值？

问题背景 #

我有一个带时间序列索引的DataFrame，包含数千行数据，但存在部分缺失值，示例数据如下：

A
2023-03-18 05:00:00 3.0
2023-03-18 06:00:00 4.0
2023-03-18 07:00:00 24.4
2023-03-18 12:00:00 5.6
2023-03-18 13:00:00 3.4
2023-03-18 15:00:00 4.5
2023-03-18 20:00:00 8.8
2023-03-18 21:00:00 3.2

原本我想把数据转为小时粒度，用resample()（或reindex()）结合interpolate()插值缺失值，代码如下：

df = df.resample("1h").first()    
df = df.interpolate(method="time")
df

执行后得到：

A
2023-03-18 05:00:00 3.00
2023-03-18 06:00:00 4.00
2023-03-18 07:00:00 24.40
2023-03-18 08:00:00 20.64
2023-03-18 09:00:00 16.88
2023-03-18 10:00:00 13.12
2023-03-18 11:00:00 9.36
2023-03-18 12:00:00 5.60
2023-03-18 13:00:00 3.40
2023-03-18 14:00:00 3.95
2023-03-18 15:00:00 4.50
2023-03-18 16:00:00 5.36
2023-03-18 17:00:00 6.22
2023-03-18 18:00:00 7.08
2023-03-18 19:00:00 7.94
2023-03-18 20:00:00 8.80
2023-03-18 21:00:00 3.20

当前需求 #

但我不想对超过3小时的大间隙进行插值，而是希望在这些大间隙处拆分DataFrame，最终得到多个DataFrame。预期结果是3个DataFrame：

第一个：

A
2023-03-18 05:00:00 3.00
2023-03-18 06:00:00 4.00
2023-03-18 07:00:00 24.40

第二个：

A
2023-03-18 12:00:00 5.60
2023-03-18 13:00:00 3.40
2023-03-18 14:00:00 3.95
2023-03-18 15:00:00 4.50

第三个：

A
2023-03-18 20:00:00 8.80
2023-03-18 21:00:00 3.20

思路补充 #

我的思路是寻找能对布尔序列进行连续逻辑处理的便捷函数。假设有布尔序列：
[True, False, True, False, False, False, False, True, True, False, False, True]
我希望生成如下序列：
[True, True, True, False, False, False, False, True, True, True, True, True]
也就是仅保留连续3个以上False对应的False值。

第一个布尔序列可通过以下代码获取：

~df.resample('1h').first().isnull().any(axis=1)

最终解决方案 #

感谢@triky提供的优秀方案，我也找到了类似问题的解决思路，最终使用以下代码实现：

# 指定阈值
th = pd.Timedelta(hours=3) 
# 计算分组
groups = (df.index.diff() > th).cumsum()
# 按分组拆分DataFrame
dfs = [g for _, g in df.groupby(groups)]
# 后续处理：对每个子DataFrame做小时粒度重采样和插值
dfs = [ df.resample('1h').first().interpolate(method='time') for df in dfs]

内容的提问来源于stack exchange，提问作者RecursionError