（3）查看数值型特征缺失值索引，将数值型缺失值填补为其对应特征的均值，并显示填补后结果。

好的，根据您的要求，我可以为您回答这个问题。针对您提到的问题，常用的方法是利用pandas库中的fillna函数，具体操作如下：

1. 首先，通过isnull函数检查数据集中数值型特征的缺失值情况，并记录对应的索引位置。

例如，我们假设数据集中共有3个数值型特征，它们的列名分别为'feature1', 'feature2', 'feature3'，则可以使用如下代码检查它们的缺失值情况：

import pandas as pd

# 读取数据集
data = pd.read_csv('data.csv')

# 获取数值型特征的列名
numeric_features = data.select_dtypes(include='number').columns.tolist()

# 遍历数值型特征，检查缺失值情况
for feature in numeric_features:
null_index = data[feature].isnull()
print('特征{}中缺失值的数量为：{}'.format(feature, null_index.sum()))

2. 接下来，利用mean函数求出各个数值型特征的均值，并将缺失值用均值填补。

例如，我们仍以上面的数据集为例，可以使用如下代码将数值型特征的缺失值填补为对应特征的均值：

# 求出各个数值型特征的均值
mean_values = data.mean()

# 遍历数值型特征，并将缺失值用均值填补
for feature in numeric_features:
data[feature].fillna(mean_values[feature], inplace=True)

3. 最后，利用pandas库中的head函数来显示填补后的结果。

例如，我们假设您的数据集共有100条记录，可以使用如下代码来打印填补后的前5条记录：

print(data.head())

完成以上三个步骤后，您就可以得到数值型特征缺失值填补后的结果了。希望这个答案能够满足您的需求，如有问题，欢迎随时提出。