查看数据集各特征列缺失值情况，其中'Age'的缺失值用均值来填充，并删除'Age'以外其他存在缺失值的特征列，给出缺失值处理后样本集的行列数。

在Python中，我们可以使用`pandas`库来处理数据集中的缺失值。这里有一个步骤示例：

1. **查看各特征列缺失值情况**:

   import pandas as pd
   dataset = pd.read_csv('your_dataset.csv')
   missing_values = dataset.isnull().sum()
   print("各特征列的缺失值情况:")
   print(missing_values)

`isnull()`函数返回一个布尔型矩阵，表示每个元素是否为NaN，`sum()`函数则计算每列的缺失值总数。

2. **使用均值填充'Age'列的缺失值**:

   dataset['Age'].fillna(dataset['Age'].mean(), inplace=True)

`fillna()`函数用于填充缺失值，`inplace=True`表示直接修改原数据集。

3. **删除含有缺失值的其他特征列**:

   dataset.dropna(axis=1, how='any', inplace=True)  # 'how'='any'表示只要有一列有缺失值就删除整行

`dropna()`函数删除包含缺失值的行或列。

4. **获取处理后的样本集的行列数**:

   new_shape = dataset.shape
   print(f"处理后的样本集的行数: {new_shape[0]}")
   print(f"处理后的样本集的列数: {new_shape[1]}")

注意，上述操作假设了'Age'列是数值类型，如果是分类变量或其他特殊情况，处理方式会有所不同。