打开记事本，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

首先，我们需要手动创建一个CSV文件，内容可以包含城市名、温度以及一些随机添加的错误数据和缺失值。例如，我们可以使用Python的pandas库来模拟这个过程：

import pandas as pd
import numpy as np

# 创建示例数据
data = {
    'City': ['北京', '上海', '纽约', np.nan, '东京'],
    'Temperature': [15, 28, 68, -99, 22],
    # 添加坏行（非数字）
    'BadValue': ['abc', 35, 'New York', 78, ''],
}

# 创建DataFrame
df = pd.DataFrame(data)

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

# 假设我们已经有了这个CSV文件，接下来处理它
# 读取文件
bad_df = pd.read_csv('city_temperature.csv')

# 处理坏行：检查是否为非数字或空字符串
good_rows = ~pd.isnull(bad_df) & (bad_df != 'nan') & bad_df.applymap(lambda x: isinstance(x, (int, float)))
clean_df = bad_df[good_rows]

# 处理缺失值：
# 使用平均值替换数值型缺失值
numeric_columns = clean_df.select_dtypes(include=[np.number]).columns
clean_df[numeric_columns] = clean_df[numeric_columns].fillna(clean_df[numeric_columns].mean())

# 使用中位数替换非数值型缺失值
non_numeric_columns = clean_df.columns.difference(numeric_columns)
clean_df[non_numeric_columns] = clean_df[non_numeric_columns].fillna(clean_df[non_numeric_columns].median())

# 输出处理后的结果
print(clean_df)

现在，我们已经创建了一个带坏行和缺失值的数据集文件，并进行了处理。运行这段代码后，`clean_df`就是处理过的DataFrame，包含了替换后的数据。注意，对于实际的CSV文件，上述步骤可能需要根据实际数据结构进行调整。