根据课件关于城市温度的距离，自己创建数据集文件，存为csv文件，要求： 有坏行，有缺失值。 读取文件，处理坏行，缺失值分别用平均值、中位值替换，需要有运行结果输出。

创建数据集文件并保存为CSV格式，可以使用Excel或者Python中的pandas库来完成。以下是使用Python和pandas创建示例数据集并进行相应处理的步骤：

1. 首先，安装pandas库（如果尚未安装）：

pip install pandas

2. 使用Python脚本创建数据集并故意添加坏行和缺失值。然后保存为CSV文件：

import pandas as pd
import numpy as np

# 创建数据
data = {
    'City': ['City1', 'City2', 'City3', 'City4', 'City5'],
    'Temperature': [20, 22, np.nan, 18, 24],  # 温度数据，故意添加一个NaN作为缺失值
    'Distance': ['50km', '100km', '50km', np.nan, '30km']  # 距离数据，故意添加一个NaN作为缺失值
}

# 将数据转换为DataFrame
df = pd.DataFrame(data)

# 添加一个坏行
bad_row = {'City': 'Error', 'Temperature': 'NaN', 'Distance': 'Error'}
df = df.append(bad_row, ignore_index=True)

# 保存到CSV文件
df.to_csv('city_temperature.csv', index=False)

3. 接下来，读取CSV文件，并处理坏行和缺失值。使用平均值替换温度的缺失值，使用中位数替换距离的缺失值：

# 读取CSV文件
df = pd.read_csv('city_temperature.csv')

# 打印原始数据，查看坏行和缺失值
print("原始数据:")
print(df)

# 处理坏行：可以是删除坏行，也可以根据需要进行其他处理
# 这里我们简单地删除了坏行
df = df[df['Temperature'].apply(lambda x: isinstance(x, (int, float)))]

# 使用平均值替换温度的缺失值
df['Temperature'].fillna(df['Temperature'].mean(), inplace=True)

# 使用中位数替换距离的缺失值，需要先将距离转换为数值类型
# 假设距离只包含数字和'km'，这里进行了简单的转换处理
df['Distance'] = df['Distance'].str.replace('km', '').astype(float)
df['Distance'].fillna(df['Distance'].median(), inplace=True)

# 再次将距离转换回原始格式
df['Distance'] = df['Distance'].apply(lambda x: str(x) + 'km')

# 打印处理后的数据
print("处理后的数据:")
print(df)

运行上述代码后，会输出处理前后的数据集，以及相应的处理结果。