Как учитывать дату и время при обнаружении выбросов с помощью pandas в Python

Учитывая следующий фрейм данных:

         Temperature     Datetime       
1        24.72           2021-01-01 10:00:00        
2        25.76           2021-01-01 11:00:00         
3        40              2021-01-01 12:00:00   
4        25.31           2021-01-01 13:00:00       
5        26.21           2021-01-01 14:00:00   
6        26.59           2021-01-01 15:00:00
7        26.64           2021-01-01 20:00:00 
8        26.38           2021-01-01 21:00:00 
9        45              2021-01-01 22:00:00
10       26.23           2021-01-01 23:00:00  
...      ...             ...

Чего мы хотим добиться, так это удалить выбросы, как, например, в id 3 температура равна 40, и это явно выброс. Мы хотим удалить всю строку с идентификатором 3. Мы уже читали эту ветку: Обнаружение выбросов на основе скользящего среднего в Python.

В треде описано, что выбросы можно удалить с помощью следующего кода:

# Import Libraries
import pandas as pd
import numpy as np

# Create DataFrame
df = pd.DataFrame({
    'Temperatura': [24.72, 25.76, 40, 25.31, 26.21, 26.59],
    'Date':[2.3,4.6,7.0,9.3,15.6,17.9]
})

# Set threshold for difference with rolling median
upper_threshold = 1
lower_threshold = -1

# Calculate rolling median
df['rolling_temp'] = df['Temperatura'].rolling(window=3).median()

# Calculate difference
df['diff'] = df['Temperatura'] - df['rolling_temp']

# Flag rows to be dropped as `1`
df['drop_flag'] = np.where((df['diff']>upper_threshold)|(df['diff']<lower_threshold),1,0)

# Drop flagged rows
df = df[df['drop_flag']!=1]
df = df.drop(['rolling_temp', 'rolling_temp', 'diff', 'drop_flag'],axis=1)

Но мы хотим расширить его еще больше, чтобы медиана перезапускалась всякий раз, когда есть пропущенное значение. Итак, при рассмотрении проиллюстрированного нами фрейма данных мы видим пример, в котором отсутствуют значения:

         Temperature     Datetime       
1        24.72           2021-01-01 10:00:00        
2        25.76           2021-01-01 11:00:00         
3        40              2021-01-01 12:00:00   
4        25.31           2021-01-01 13:00:00       
5        26.21           2021-01-01 14:00:00   
6        26.59           2021-01-01 15:00:00
7        26.64           2021-01-01 20:00:00 <-- Reset due to missing data between this point and the one before  
8        26.38           2021-01-01 21:00:00 
9        45              2021-01-01 22:00:00
10       26.23           2021-01-01 23:00:00  
...      ...             ...

И мы хотим, чтобы код, который удаляет выбросы, также учитывал дату и время, чтобы в идентификаторе 7 мы заметили, что дата и время на 5 часов позже идентификатора 6, и поэтому мы можем сделать вывод, что данные отсутствуют, и поэтому мы хотим сбросить медиану, так как нам не нужна скользящая медиана/среднее значение, которое использует данные, не относящиеся к обнаружению выбросов. У нас могут быть примеры, когда данные отсутствуют в течение нескольких часов или, может быть, даже дней, и если скользящая медиана не учитывает этого, это приведет к плохой очистке данных. Идеальным порогом для этого был бы 1 час, поэтому, если вторая строка не ровно через час после строки 1, сбросьте медиану. Это возможно?