Группировка дат по 5 минутным периодам независимо от дня

У меня есть фрейм данных с данными, похожими на следующие

import pandas as pd; import numpy as np; import datetime; from datetime import timedelta;



df = pd.DataFrame(index=pd.date_range(start='20160102', end='20170301', freq='5min'))

df['value'] = np.random.randn(df.index.size)

df.index += pd.Series([timedelta(seconds=np.random.randint(-60, 60)) 

                       for _ in range(df.index.size)])

Который выглядит так

In[37]: df

Out[37]: 

                        value

2016-01-02 00:00:33  0.546675

2016-01-02 00:04:52  1.080558

2016-01-02 00:10:46 -1.551206

2016-01-02 00:15:52 -1.278845

2016-01-02 00:19:04 -1.672387

2016-01-02 00:25:36 -0.786985

2016-01-02 00:29:35  1.067132

2016-01-02 00:34:36 -0.575365

2016-01-02 00:39:33  0.570341

2016-01-02 00:44:56 -0.636312

                      ...

2017-02-28 23:14:57 -0.027981

2017-02-28 23:19:51  0.883150

2017-02-28 23:24:15 -0.706997

2017-02-28 23:30:09 -0.954630

2017-02-28 23:35:08 -1.184881

2017-02-28 23:40:20  0.104017

2017-02-28 23:44:10 -0.678742

2017-02-28 23:49:15 -0.959857

2017-02-28 23:54:36 -1.157165

2017-02-28 23:59:10  0.527642

Теперь я стремлюсь получить среднее значение за 5-минутный период в течение 24-часового дня-без учета того, с какого дня эти значения на самом деле приходят.

Как я могу сделать это эффективно ? Мне хотелось бы думать, что я мог бы каким-то образом удалить фактические даты из моего индекса, а затем использовать что-то вроде pd.TimeGrouper, но я не понял, как это сделать.

---

Мое не очень хорошее решение

Мое решение до сих пор состояло в том, чтобы использовать between_time в цикле, подобном этому, просто используя произвольный день.

aggregates = []

start_time = datetime.datetime(1990, 1, 1, 0, 0, 0)



while start_time < datetime.datetime(1990, 1, 1, 23, 59, 0):

    aggregates.append(

        (

            start_time, 

            df.between_time(start_time.time(), 

                            (start_time + timedelta(minutes=5)).time(),

                            include_end=False).value.mean()

        )

    )

    start_time += timedelta(minutes=5)



result = pd.DataFrame(aggregates, columns=['time', 'value'])

Который работает как ожидалось

In[68]: result

Out[68]: 

                   time     value

0   1990-01-01 00:00:00  0.032667

1   1990-01-01 00:05:00  0.117288

2   1990-01-01 00:10:00 -0.052447

3   1990-01-01 00:15:00 -0.070428

4   1990-01-01 00:20:00  0.034584

5   1990-01-01 00:25:00  0.042414

6   1990-01-01 00:30:00  0.043388

7   1990-01-01 00:35:00  0.050371

8   1990-01-01 00:40:00  0.022209

9   1990-01-01 00:45:00 -0.035161

..                  ...       ...

278 1990-01-01 23:10:00  0.073753

279 1990-01-01 23:15:00 -0.005661

280 1990-01-01 23:20:00 -0.074529

281 1990-01-01 23:25:00 -0.083190

282 1990-01-01 23:30:00 -0.036636

283 1990-01-01 23:35:00  0.006767

284 1990-01-01 23:40:00  0.043436

285 1990-01-01 23:45:00  0.011117

286 1990-01-01 23:50:00  0.020737

287 1990-01-01 23:55:00  0.021030



[288 rows x 2 columns]

Но это не похоже на очень дружелюбное к пандам решение.