任务二： # 1.筛选满足条件的行：花萼长度>6cm且花瓣长度>5cm的 (统计出0列>6.0 2列>5.0的行) # 2.若原始数据中有空值，删除带有空值的行（重读数据） # 在数组的随机位置上放入10个空值，删除带有空值的行

任务二是对数据集进行预处理的操作，分为两个步骤：

1. **数据筛选**：在这个步骤中，你需要从原始的数据集中选择那些花萼长度超过6厘米（0列大于6.0 cm），并且花瓣长度也超过5厘米（2列大于5.0 cm）的记录。这通常是在数据分析或机器学习建模前，为了聚焦于特定样本区间而进行的数据清洗。

2. **处理缺失值**：如果原始数据中存在空值（NaN或None），则需要移除含有缺失值的行。为了模拟这个场景，你可以在数据的一个随机位置插入10个空值，然后使用数据处理库（如Pandas在Python中）的`dropna()`函数来删除所有包含缺失值的行。这样可以保证后续分析使用的数据是完整且准确的。

如果你正在使用Python的Pandas库，代码示例如下：

import pandas as pd

# 假设df是你的DataFrame
df = pd.read_csv('your_data.csv')  # 读取数据

# 筛选满足条件的行
filtered_df = df[(df[0] > 6.0) & (df[2] > 5.0)]

# 插入随机空值并删除含有空值的行
random_rows_with_nulls = df.sample(n=10, replace=True, axis=0)  # 随机抽取10行插入空值
random_rows_with_nulls.iloc[:, ::-1].values[:] = np.nan  # 将这些行的值设置为空
full_df_with_random_nulls = pd.concat([df, random_rows_with_nulls], ignore_index=True)
cleaned_df = full_df_with_random_nulls.dropna()  # 删除含有空值的行

# 输出结果
print(cleaned_df)