Биннинг статистика с нерегулярными и чередующимися бинами

Это короткий, полный пример более сложного реального приложения.

Использованные библиотеки:

import numpy as np
import scipy as sp
import scipy.stats as scist
import matplotlib.pyplot as plt
from itertools import zip_longest

Данные:

У меня есть массив с нерегулярными ячейками, определенными с началом и концом, например, вот так (в реальном случае этот формат является заданным, поскольку он является выходом другого процесса):

bin_starts = np.array([0, 93, 184, 277, 368])
bin_ends = np.array([89, 178, 272, 363, 458])

который я объединяю с:

bns = np.stack(zip_longest(bin_starts, bin_ends)).flatten()
bns
>>> array([  0,  89,  93, 178, 184, 272, 277, 363, 368, 458])

давая регулярно чередующиеся последовательности длинных и коротких интервалов, все из неправильной длины. Это схематичное представление заданных длинных и коротких интервалов:

У меня есть куча данных временных рядов, похожих на случайные данные, созданные ниже:

# make some random example data to bin
np.random.seed(45)
x = np.arange(0,460)
y = 5+np.random.randn(460).cumsum()
plt.plot(x,y);

Цель:

Я хотел бы использовать последовательность интервалов для сбора статистики (среднее значение, процентили и т.д.) На данных - но только с использованием длинных интервалов, то есть желтых на эскизе.

Допущения и уточнения:

Края длинных интервалов никогда не перекрываются; другими словами, между длинными интервалами всегда есть короткий интервал. Кроме того, первый интервал всегда длинный.

Текущее решение:

Один из способов сделать это - использовать scipy.stats.binned_statistic на всех интервалах, а затем scipy.stats.binned_statistic результат на части, чтобы сохранить только все остальные (т.е. [::2]), например, так (отличная помощь для некоторой статистики, например, np.percentile, читал этот SO ответ @ali_m):

ave = scist.binned_statistic(x, y, 
                         statistic = np.nanmean, 
                         bins=bns)[0][::2]

что дает мне желаемый результат:

plt.plot(np.arange(0,5), ave);

Вопрос: Есть ли более Pythonic способ сделать это (используя любой из Numpy, Scipy или Pandas)?