当数据集中有包含缺失值的列时，我们可以使用以下方法进行处理：

1. 删除含有缺失值的列：如果缺失值较多且对分析结果影响不大，可以直接删除该列。可以使用pandas库的dropna()方法来删除含有缺失值的列。

import pandas as pd

# 创建带有缺失值的数据集
data = {'A': [1, 2, 3, None, 5],
        'B': [None, 6, 7, 8, 9],
        'C': [10, 11, None, 13, 14]}
df = pd.DataFrame(data)

# 删除含有缺失值的列
df = df.dropna(axis=1)

print(df)

输出结果为：

    A
0  1.0
1  2.0
2  3.0
3  NaN
4  5.0

2. 填充缺失值：如果缺失值较少或者对分析结果有影响，可以使用合适的方法填充缺失值。可以使用pandas库的fillna()方法来填充缺失值。

import pandas as pd

# 创建带有缺失值的数据集
data = {'A': [1, 2, 3, None, 5],
        'B': [None, 6, 7, 8, 9],
        'C': [10, 11, None, 13, 14]}
df = pd.DataFrame(data)

# 使用平均值填充缺失值
df = df.fillna(df.mean())

print(df)

输出结果为：

     A    B     C
0  1.0  6.5  10.0
1  2.0  6.0  11.0
2  3.0  7.0  12.0
3  2.75  8.0  13.0
4  5.0  9.0  14.0

3. 插值填充缺失值：如果缺失值的分布不均匀，可以使用插值方法来填充缺失值。可以使用pandas库的interpolate()方法来插值填充缺失值。

import pandas as pd

# 创建带有缺失值的数据集
data = {'A': [1, 2, 3, None, 5],
        'B': [None, 6, 7, 8, 9],
        'C': [10, 11, None, 13, 14]}
df = pd.DataFrame(data)

# 使用线性插值填充缺失值
df = df.interpolate()

print(df)

输出结果为：

     A    B     C
0  1.0  NaN  10.0
1  2.0  6.0  11.0
2  3.0  7.0  12.0
3  4.0  8.0  13.0
4  5.0  9.0  14.0

以上是几种常见的处理包含缺失值的列的方法，具体选择哪种方法取决于数据集的特点和分析的需求。