3、将Fog列中的缺省值使用前后两个相邻值的均值的方式完成填充； 4、删除数据中的重复行； 5、使用corr函数分析各列的相关性； 6、将Temp列和Humi列进行标准差标准化，将Fog列进行离差标准化； 7、将Target列中取值为正常的替换成数值0，取值为一般的替换成1，取值为严重的替换成2。

3、使用前后两个相邻值的均值的方式填充Fog列中的缺省值，可以使用以下代码实现：

df['Fog'].fillna((df['Fog'].shift(1) + df['Fog'].shift(-1))/2, inplace=True)

4、删除数据中的重复行，可以使用以下代码实现：

df.drop_duplicates(inplace=True)

5、使用corr函数分析各列的相关性，可以使用以下代码实现：

corr_matrix = df.corr()
print(corr_matrix)

6、将Temp列和Humi列进行标准差标准化，将Fog列进行离差标准化，可以使用以下代码实现：

from sklearn.preprocessing import StandardScaler, MinMaxScaler

scaler = StandardScaler()
df['Temp'] = scaler.fit_transform(df['Temp'].values.reshape(-1, 1))
df['Humi'] = scaler.fit_transform(df['Humi'].values.reshape(-1, 1))

scaler = MinMaxScaler()
df['Fog'] = scaler.fit_transform(df['Fog'].values.reshape(-1, 1))

7、将Target列中取值为正常的替换成数值0，取值为一般的替换成1，取值为严重的替换成2，可以使用以下代码实现：

df['Target'] = df['Target'].replace({'正常': 0, '一般': 1, '严重': 2})