（1）读取来聘人员信息数据 （2）将类别型数据中的缺失值填补为“未知”，将数值型缺失值填补为其对应特征的均值 （3）将数值型异常数据替换为其对应特征的均值，将性别特征的异常值替换为“未知”

（1）读取来聘人员信息数据通常涉及从数据库、文件（如CSV或Excel）、API或其他数据源获取数据集。这可能涉及到使用编程语言中的特定库，比如Python的pandas库，通过`read_csv()`函数读取CSV文件，或者SQL查询来提取数据。

import pandas as pd
data = pd.read_csv('job_applicants.csv')  # 假设文件名为job_applicants.csv

（2）对于类别型数据中的缺失值处理，我们通常将它们标记为特殊的字符串，例如"未知"。使用pandas，可以这样做：

data['category_column'].fillna('未知', inplace=True)

对数值型数据，我们需要计算每列的平均值，并用这个平均值填充缺失值：

data['numeric_column'].fillna(data['numeric_column'].mean(), inplace=True)

（3）对于数值型异常数据，如果超过合理范围，也可能会被视为异常并替换为平均值。对于性别这类分类变量的异常值，同样使用上述方法替换为"未知"：

data['gender'].replace([value if not np.isnan(value) else '未知' for value in data['gender']], inplace=True)

这里假设`np.isnan`是一个检查是否为NaN的函数，实际应用中可能是`pd.isnull`。