（1）检查总价列所含的中文字符（'[\u4E00-\u9FA5]'） （2）删除中文字符（“万”），并将类型转换为float，并保留两位小数 （3）依次检查单价、面积、建成时间、关注人数等其他列中所含的中文字符 （4）观察数据集，查询'建成时间'列不包括关键字'年建'的记录数；只保留含关键字'年建'的记录 （5）将单价、面积、建成时间和关注人数列转换为float类型。 2. 类型特征哑变量处理 （1）查看户型特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列。 （2）查看区域特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列。 （3）查看类型特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列（注意类型为'其他'的记录）。 （4）查看结构特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列（注意类型为'暂无数据'的记录）。 （5）查看朝向特征的种类（唯一值），以'东', '南', '西', '北', '东北', '东南', '西南', '西北'为类型自定义独热编码函数，使用独热编码并加入到原有数据中，删除原有列。 （6）检测'楼层'列中不包含'楼层'文字的记录数，只保留包含“楼层”记录。查看朝向特征的种类（唯一值），提取所在楼层，对所在楼层进行独热编码。使用正则表达式提取总楼层数据并转换为int类型，删除原有列。 （7）检查整理列名称，注意列名称是否包含空格等。

好的，您的问题是：

1. 数据清洗

（1）检查总价列所含的中文字符（'[\u4E00-\u9FA5]'） （2）删除中文字符（“万”），并将类型转换为float，并保留两位小数 （3）依次检查单价、面积、建成时间、关注人数等其他列中所含的中文字符 （4）观察数据集，查询'建成时间'列不包括关键字'年建'的记录数；只保留含关键字'年建'的记录 （5）将单价、面积、建成时间和关注人数列转换为float类型。

首先，我们可以使用 Pandas 库来读取和处理数据。假设我们有一个名为 df 的数据框，其中包含了房屋的信息，包括总价（price）、单价（unit_price）、面积（area）、建成时间（build_time）和关注人数（attention_num）等列。我们可以使用以下代码来完成上述任务：

import re

# (1) 检查总价列所含的中文字符
if df['price'].str.contains('[\u4E00-\u9FA5]').any():
    print('总价列包含中文字符！')

# (2) 删除中文字符（“万”），并将类型转换为float，并保留两位小数
df['price'] = df['price'].str.replace('万', '').astype(float).round(2)

# (3) 依次检查单价、面积、建成时间、关注人数等其他列中所含的中文字符
if df['unit_price'].str.contains('[\u4E00-\u9FA5]').any():
    print('单价列包含中文字符！')
if df['area'].str.contains('[\u4E00-\u9FA5]').any():
    print('面积列包含中文字符！')
if df['build_time'].str.contains('[\u4E00-\u9FA5]').any():
    print('建成时间列包含中文字符！')
if df['attention_num'].str.contains('[\u4E00-\u9FA5]').any():
    print('关注人数列包含中文字符！')

# (4) 观察数据集，查询'建成时间'列不包括关键字'年建'的记录数；只保留含关键字'年建'的记录
print('建成时间列不包括关键字"年建"的记录数：', len(df[~df['build_time'].str.contains('年建')]))
df = df[df['build_time'].str.contains('年建')]

# (5) 将单价、面积、建成时间和关注人数列转换为float类型
df['unit_price'] = df['unit_price'].astype(float)
df['area'] = df['area'].astype(float)
df['build_time'] = df['build_time'].apply(lambda x: re.findall('\d+', x)[0]).astype(float)
df['attention_num'] = df['attention_num'].astype(float)

以上代码中，我们使用了正则表达式来提取建成时间列中的数字，并将其转换为 float 类型。同时，我们也使用了 Pandas 的 str.contains() 函数来检查列中是否包含中文字符。

2. 类型特征哑变量处理

（1）查看户型特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列。 （2）查看区域特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列。 （3）查看类型特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列（注意类型为'其他'的记录）。 （4）查看结构特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列（注意类型为'暂无数据'的记录）。 （5）查看朝向特征的种类（唯一值），以'东', '南', '西', '北', '东北', '东南', '西南', '西北'为类型自定义独热编码函数，使用独热编码并加入到原有数据中，删除原有列。 （6）检测'楼层'列中不包含'楼层'文字的记录数，只保留包含“楼层”记录。查看朝向特征的种类（唯一值），提取所在楼层，对所在楼层进行独热编码。使用正则表达式提取总楼层数据并转换为int类型，删除原有列。 （7）检查整理列名称，注意列名称是否包含空格等。

以下是代码实现：

# (1) 查看户型特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列
room_types = df['room_type'].unique()
for room_type in room_types:
    df[room_type] = (df['room_type'] == room_type).astype(int)
df.drop('room_type', axis=1, inplace=True)

# (2) 查看区域特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列
regions = df['region'].unique()
for region in regions:
    df[region] = (df['region'] == region).astype(int)
df.drop('region', axis=1, inplace=True)

# (3) 查看类型特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列（注意类型为'其他'的记录）
house_types = df['house_type'].unique()
for house_type in house_types:
    if house_type != '其他':
        df[house_type] = (df['house_type'] == house_type).astype(int)
df.drop('house_type', axis=1, inplace=True)

# (4) 查看结构特征的种类（唯一值），使用独热编码并加入到原有数据中，删除原有列（注意类型为'暂无数据'的记录）
structure_types = df['structure'].unique()
for structure_type in structure_types:
    if structure_type != '暂无数据':
        df[structure_type] = (df['structure'] == structure_type).astype(int)
df.drop('structure', axis=1, inplace=True)

# (5) 查看朝向特征的种类（唯一值），以'东', '南', '西', '北', '东北', '东南', '西南', '西北'为类型自定义独热编码函数，使用独热编码并加入到原有数据中，删除原有列
def one_hot_encoding_direction(df):
    directions = ['东', '南', '西', '北', '东北', '东南', '西南', '西北']
    for direction in directions:
        df[direction] = df['direction'].apply(lambda x: 1 if direction in x else 0)
    df.drop('direction', axis=1, inplace=True)

one_hot_encoding_direction(df)

# (6) 检测'楼层'列中不包含'楼层'文字的记录数，只保留包含“楼层”记录。查看朝向特征的种类（唯一值），提取所在楼层，对所在楼层进行独热编码。使用正则表达式提取总楼层数据并转换为int类型，删除原有列。
print('楼层列不包含"楼层"的记录数：', len(df[~df['floor'].str.contains('楼层')]))
df = df[df['floor'].str.contains('楼层')]

df['floor'] = df['floor'].apply(lambda x: re.findall('\d+', x)[0]).astype(int)
one_hot_encoded_floor = pd.get_dummies(df['floor'], prefix='floor')
df = pd.concat([df, one_hot_encoded_floor], axis=1)
df.drop('floor', axis=1, inplace=True)
one_hot_encoding_direction(df)

# (7) 检查整理列名称，注意列名称是否包含空格等。
df.columns = df.columns.str.strip()  # 去除列名中的空格

以上代码中，我们使用了 Pandas 的 get_dummies() 函数来进行独热编码，并使用正则表达式来提取楼层和建成时间列中的数字。同时，我们也注意到了列名中可能存在的空格等问题，并使用了 str.strip() 函数来去除空格。