如何编写Python代码来处理类别型数据中的缺失值，将其填充为'未知'，同时用数值型数据的平均值替换缺失值？

在Python中，可以使用pandas库来方便地处理类别型（categorical）和数值型（numeric）数据的缺失值。以下是处理步骤：

1. 首先，导入所需的库：

import pandas as pd

2. 加载包含缺失值的数据集：

df = pd.read_csv('your_data.csv')  # 替换为实际文件名

3. 对类别型数据填充缺失值为'未知'（NaN代表缺失值）：

df['category_column'] = df['category_column'].fillna('未知')

这里的`category_column`是你需要处理的类别型列名。

4. 对数值型数据计算并填充缺失值为平均值：

# 如果列名为'numeric_column'
mean_value = df['numeric_column'].mean() if not df['numeric_column'].isnull().all() else None
df['numeric_column'] = df['numeric_column'].fillna(mean_value)

如果`numeric_column`有缺失值并且不是所有值都是缺失，就计算平均值；如果全都是缺失值，则可以选择其他策略，如设置特定值或者保持缺失。

5. 结果检查：

print(df.isnull().sum())  # 查看是否有剩余缺失值