pandas实现检测全球恐怖主义数据集存在缺失值的属性以及相应的缺失个数和缺失率，对于缺失率大于60%的属性，进行删除；对于剩余的具有缺失属性的数据进行填补。

在使用pandas处理数据时，首先需要导入该库并加载数据。然后可以通过`isnull()`和`sum()`方法来检测数据集中每个属性的缺失值个数。接着，计算每个属性的缺失率，并根据缺失率决定是否删除属性。对于需要填补的缺失值，pandas提供了多种方法，如使用均值、中位数、众数或特定值等进行填充。

以下是一个示例代码，展示如何实现上述过程：

import pandas as pd

# 假设df是已经加载的pandas DataFrame，包含了全球恐怖主义数据集
# 检测每个属性的缺失值个数
missing_counts = df.isnull().sum()

# 计算每个属性的缺失率
total_counts = df.count()
missing_rates = (missing_counts / total_counts) * 100

# 输出缺失值个数和缺失率
print(missing_counts)
print(missing_rates)

# 删除缺失率大于60%的属性
columns_to_drop = missing_rates[missing_rates > 60].index
df = df.drop(columns=columns_to_drop)

# 对剩余具有缺失值的属性进行填补
for column in df.columns:
    if df[column].isnull().any():
        # 可以根据数据的性质选择不同的填补策略
        # 例如使用均值填补数值型数据
        if df[column].dtype in ['float64', 'int64']:
            df[column].fillna(df[column].mean(), inplace=True)
        # 或者使用众数填补分类数据
        else:
            df[column].fillna(df[column].mode()[0], inplace=True)

请注意，在实际操作中，可能需要根据数据集的特定情况和分析需求来调整缺失值的处理策略。例如，有时候保留缺失值较多的列或者使用更为复杂的填充方法（如基于模型的填充）可能是更合适的选择。