python代码检测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Python中，可以使用Pandas库来检测数据集中每个属性（即列）的缺失值数量和缺失率，并根据缺失率进行相应的处理。以下是一个简单的步骤说明：

1. 使用`isnull()`方法检测数据集中的缺失值，该方法会返回一个同样形状的布尔值DataFrame，其中`True`表示缺失值。

2. 使用`sum()`方法计算每列中`True`的数量，即每列的缺失值数量。

3. 计算每列的总数据量，然后使用缺失值数量除以总数据量得到每列的缺失率。

4. 删除缺失率大于60%的列。

5. 对于剩余含有缺失值的属性，可以使用不同的策略填补这些缺失值，比如使用均值、中位数、众数或者根据其他列的关系使用预测模型进行填补。

下面是一个简单的示例代码：

import pandas as pd

# 假设data是一个Pandas DataFrame，包含了我们要处理的数据集
data = pd.DataFrame(...)  # 你的数据集应该在这里

# 检测缺失值并计算缺失率
missing_info = data.isnull().sum() / len(data)
missing_count = missing_info * 100  # 缺失率
missing_count_df = missing_count.reset_index()
missing_count_df.columns = ['Column', 'Missing Count']

# 输出每个属性的缺失值数量和缺失率
print(missing_count_df)

# 删除缺失率大于60%的属性
threshold = 60
columns_to_drop = missing_count_df[missing_count_df['Missing Count'] > threshold]['Column']
data = data.drop(columns=columns_to_drop)

# 对剩余含有缺失值的属性进行填补
# 这里使用均值填充作为示例，可以按需修改填充策略
for column in data.columns:
    if data[column].isnull().any():
        data[column].fillna(data[column].mean(), inplace=True)

# 输出处理后的数据集的信息，确认缺失值已处理
print(data.info())