统计"aqi"一列是否有缺失值，并用"aqi"列的平均数填充缺失值。

### 回答1：
假设数据集的名字为`df`，则可以使用以下代码统计缺失值并填充：

import pandas as pd

# 读取数据集
df = pd.read_csv("data.csv")

# 统计缺失值
null_count = df["aqi"].isnull().sum()

# 如果存在缺失值，则用平均数填充
if null_count > 0:
    mean_aqi = df["aqi"].mean()
    df["aqi"].fillna(mean_aqi, inplace=True)

以上代码中，`isnull()`函数用于判断每个元素是否为缺失值，返回一个布尔类型的Series；`sum()`函数用于计算缺失值的数量；`mean()`函数用于计算`aqi`列的平均数；`fillna()`函数用于填充缺失值，`inplace=True`表示在原数据集上直接进行修改。

### 回答2：
首先，我们需要检查数据中"aqi"一列是否有缺失值。缺失值一般表示为NaN（Not a Number）或空值。可以通过使用isnull()函数来检查"aqi"列是否含有缺失值，返回的是一个布尔值的Series，其中缺失值为True，非缺失值为False。

假设我们的数据集为df，那么代码如下：

missing_values = df["aqi"].isnull()

接下来，我们需要判断是否存在缺失值。可以使用any()函数来检查Series中是否有至少一个布尔值为True的元素，如果有则说明存在缺失值。

代码如下：

if missing_values.any():
    # 进行缺失值的填充
else:
    print("数据中没有缺失值")

如果存在缺失值，我们需要使用该列的平均值来填充缺失值。可以使用fillna()函数来进行填充。代码如下：

if missing_values.any():
    average_aqi = df["aqi"].mean()
    df["aqi"].fillna(average_aqi, inplace=True)
    print("已成功填充缺失值")

最后，我们可以使用新的数据集df，其中缺失值已被平均值填充。

注意：为了能够计算平均值，确保"aqi"列的数据类型为数值类型（例如float或int）。如果数据类型不正确，可以使用astype()函数进行类型转换。

综上所述，如果"aqi"一列存在缺失值，我们可以使用平均值来进行填充，并输出填充成功的提示信息。

### 回答3：
方法如下：

首先，读取数据，检查"aqi"列是否有缺失值。我们可以使用Pandas库来处理数据。

import pandas as pd

# 读取数据
data = pd.read_csv('data.csv')

# 检查"aqi"列是否有缺失值
if data['aqi'].isnull().any():
    # 有缺失值，使用平均值填充
    mean_aqi = data['aqi'].mean()
    data['aqi'].fillna(mean_aqi, inplace=True)

# 打印填充后的数据
print(data)

这段代码首先导入了Pandas库，并使用`read_csv`函数读取了数据文件。

`isnull().any()`函数用于检查"aqi"列是否有缺失值。它返回True或False，如果有缺失值返回True，否则返回False。

如果有缺失值，则使用`mean()`函数计算"aqi"列的平均值，并使用`fillna`函数将缺失值填充为平均值。

最后，打印填充后的数据。

注意：上述代码中的"data.csv"是示意用例中的数据文件名，你需要根据实际情况修改成你自己的数据文件名。