Python Pandas группирует DataFrame по блокам последовательных значений

Вы можете использовать last_in_block для обозначения групп, а затем использовать groupby:

df["last_in_block"] = np.where(df["last_in_block"].shift(), 1, 0)
df["last_in_block"] = df["last_in_block"].cumsum()
grouped = df.groupby("last_in_block")

grouped.groups:

{1: [0, 1, 2, 3, 4, 5, 6, 7], 2: [8, 9, 10, 11, 12, 13, 14, 15]}

grouped.mean():

               timestamp   value    key
last_in_block                          
1                12348.5  1.2875  3.375
2                12374.5  1.5000  3.375

Если у вас есть флаг для последнего элемента в блоке, вы можете использовать обратную cumsum для формирования групп:

group = df.loc[::-1, 'last_in_block'].cumsum()
for k, g in df.groupby(group, sort=False):
    print(g)

В качестве альтернативы, если вы не знали периодичность и не имели флага, вы могли оценить периодичность с помощью автокорреляции (autocorr) по ключу, периодичность, соответствующая задержке с максимальной корреляцией:

lag = pd.Series({i: df['key'].autocorr(i)
                 for i in range(1, len(s)//2+1)}
               ).idxmax()
# periodicity: 8

group = np.arange(len(df))//lag

for k, g in df.groupby(group, sort=False):
    print(g)

Выход:

   timestamp  value  key  last_in_block
0      12345    1.0    2          False
1      12346    0.5    4          False
2      12347    1.2    1          False
3      12348    2.2    6          False
4      12349    1.5    3          False
5      12350    1.2    3          False
6      12351    2.3    3          False
7      12352    0.4    5           True
    timestamp  value  key  last_in_block
8       12371    1.3    2          False
9       12372    0.9    4          False
10      12373    1.7    1          False
11      12374    2.0    6          False
12      12375    1.2    3          False
13      12376    1.4    3          False
14      12377    2.7    3          False
15      12378    0.8    5           True

График автокорреляции: