Chuẩn hóa dữ liệu Python: họ tên, số điện thoại Việt Nam
Bài 2/4 · Chương 12
Python với dữ liệu Việt Nam
- 6 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 11
Chuẩn hóa dữ liệu trong Python là đưa những giá trị viết theo nhiều kiểu về một kiểu thống nhất, như họ tên viết hoa đúng từng từ hay số điện thoại chỉ còn chữ số. Bạn làm việc này mỗi khi gom danh sách học viên từ nhiều biểu mẫu, nơi cùng một người có thể được gõ thành " trần THU hà " hay "Trần Thu Hà".
Cần biết trước: Unicode và tiếng Việt, split() và join() và raise.
Chuẩn hóa họ tên
Họ tên gõ tay thường thừa dấu cách ở hai đầu và ở giữa, chữ hoa chữ thường lẫn lộn, đôi khi ở dạng NFD. Ba bước sửa cả ba: đưa về NFC, tách theo khoảng trắng rồi ghép lại bằng một dấu cách, viết hoa chữ cái đầu mỗi từ.
import unicodedata
def chuan_hoa_ten(ho_ten):
ho_ten = unicodedata.normalize("NFC", ho_ten)
return " ".join(ho_ten.split()).title()
print(chuan_hoa_ten(" trần THU hà "))
print(chuan_hoa_ten("LÊ minh tâm"))
print(chuan_hoa_ten(unicodedata.normalize("NFD", "phạm quốc huy")))KẾT QUẢ
Trần Thu Hà
Lê Minh Tâm
Phạm Quốc Huysplit() không đối số tách theo từng đoạn khoảng trắng và bỏ các đoạn rỗng, nên dấu cách thừa ở đâu cũng biến mất. Bước NFC đứng đầu vì title() trên chuỗi NFD viết hoa nhầm chữ cái sau dấu, như bài Unicode và tiếng Việt đã cho thấy. Họ tên tiếng Việt viết hoa chữ cái đầu mỗi từ, nên title() hợp ở đây; với tên đơn vị có từ "và" phải giữ chữ thường thì bạn xử lý riêng.
Chuẩn hóa số điện thoại Việt Nam
Số di động Việt Nam viết trong nước có 10 chữ số và mở đầu bằng 0. Các thuê bao 11 số đã được chuyển sang 10 số từ ngày 15/9/2018, theo Quyết định 798/QĐ-BTTTT ngày 25/5/2018 của Bộ Thông tin và Truyền thông (tra cứu ngày 14/11/2026). Viết kiểu quốc tế thì số 0 đầu được thay bằng mã nước +84. Người nhập còn chèn dấu cách, dấu chấm, dấu gạch ngang theo thói quen.
so = "+84 900.000.124"
for ky_tu in " .-":
so = so.replace(ky_tu, "")
print(so)
if so.startswith("+84"):
so = "0" + so.removeprefix("+84")
print(so, len(so), so.isdigit())KẾT QUẢ
+84900000124
0900000124 10 TrueVòng lặp đi qua ba ký tự cần bỏ và xóa từng loại bằng replace(). removeprefix() chỉ cắt +84 khi nó đứng ở đầu chuỗi. Các số trong bài là số giả định dạng 0900…, chỉ dùng làm ví dụ. Đổi "+84 900.000.124" thành "090-000-0125" rồi chạy lại: dòng cuối in 0900000125 10 True. Khi phải nhận thêm nhiều mẫu viết khác, như số bàn có mã vùng, biểu thức chính quy mô tả cả mẫu trong một dòng thay cho chuỗi replace().
Kiểm tra số căn cước
Theo Điều 12 Luật Căn cước 2023 (số 26/2023/QH15, hiệu lực từ 01/7/2024; tra cứu ngày 14/11/2026), số định danh cá nhân in trên thẻ căn cước là một dãy 12 chữ số. Chương trình nhận số căn cước từ biểu mẫu nên kiểm hình thức đó và từ chối ngay số sai, bằng raise ValueError:
def kiem_tra_can_cuoc(so):
so = so.replace(" ", "")
if len(so) != 12 or not so.isdigit():
raise ValueError(f"số căn cước phải có 12 chữ số: {so}")
return so
print(kiem_tra_can_cuoc("000 000 000 123"))
try:
kiem_tra_can_cuoc("00000000012")
except ValueError as loi:
print("Lỗi:", loi)KẾT QUẢ
000000000123
Lỗi: số căn cước phải có 12 chữ số: 00000000012Số trong ví dụ là số giả định. Hàm chỉ kiểm hình thức: một dãy 12 chữ số đúng dạng vẫn có thể không phải số của ai. Hàm trả về số đã bỏ dấu cách, để các bước phía sau lưu cùng một dạng, giống một cửa soát vé: qua được cửa thì vào trong không ai soát lại. Kiểm tra chủ nhân thật của số là việc của cơ quan cấp thẻ, không làm được bằng code của bạn.
Kiểm tra nhanh
" ".join(" Lê Minh Tâm ".split())trả về gì?"Lê Minh Tâm"" Lê Minh Tâm ""Lê Minh Tâm"
"+84 900 084 123".replace("84", "0")trả về gì?"0 900 084 123""0900084123""+0 900 00 123"
Với hàm
kiem_tra_can_cuoctrong bài, những chuỗi nào được nhận mà không báo lỗi?"000 000 000 123""00000000012""00000000012a""000000000123"
int("000000000123")trả về gì?000000000123- 123
- Báo lỗi
ValueError
Bài tập
Chuẩn hóa số điện thoại di động
Viết thân hàm chuan_hoa_so(so) cho ô số điện thoại của biểu mẫu đăng ký học:
Bỏ mọi dấu cách, dấu chấm và dấu gạch ngang.
Số mở đầu bằng
+84thì thay+84bằng0. Số gồm 11 chữ số mở đầu bằng84thì thay84đầu bằng0. Cụm84ở giữa số giữ nguyên.Kết quả phải có đúng 10 ký tự, toàn chữ số, mở đầu bằng
0; không thìraise ValueError.
Ví dụ: chuan_hoa_so("+84 900.000.124") trả về "0900000124".
Trả về: số đã chuẩn hóa, một str.
def chuan_hoa_so(so):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Chuẩn hóa họ tên: NFC trước, rồi
" ".join(ho_ten.split()), rồititle().strip()chỉ cắt khoảng trắng ở hai đầu;split()không đối số bỏ cả khoảng trắng thừa ở giữa.Số di động trong nước có 10 chữ số mở đầu bằng
0; đổi+84đầu bằngstartswith()vàremoveprefix(), không bằngreplace().Số căn cước là 12 chữ số; hàm kiểm hình thức và
raise ValueErrorkhi sai.Số điện thoại và số căn cước giữ kiểu
str, vìint()làm mất số0đầu.
Câu hỏi thường gặp
Làm sao viết hoa tên trong Python cho đúng tiếng Việt?
Đưa họ tên về NFC rồi gọi title(): mỗi từ được viết hoa chữ cái đầu, phần còn lại viết thường. Bỏ bước NFC thì chuỗi NFD có thể thành TrầN, lý do nằm ở bài Unicode và tiếng Việt. Các cách đổi hoa thường khác có ở bài upper() và lower().
Có nên chuẩn hóa số điện thoại về dạng +84 không?
Được, miễn là cả chương trình dùng một dạng. Dạng 0 và 10 chữ số dễ đọc với người dùng trong nước; dạng +84 hợp khi gửi tin qua dịch vụ quốc tế. Chọn một dạng để lưu và đổi sang dạng kia chỉ lúc hiển thị hay gửi đi.
Chuẩn hóa họ tên xong thì làm gì với cả một file dữ liệu bẩn?
Gọi các hàm chuẩn hóa cho từng dòng, ghi lại dòng nào bị raise để báo cáo, rồi ghi file sạch. Cả quy trình liệt kê lỗi, sửa, loại và báo cáo nằm ở bài làm sạch dữ liệu CSV.
Vì sao hàm kiểm tra nên raise thay vì trả về False?
Vì nơi gọi không thể quên xử lý một ngoại lệ: không bắt thì chương trình dừng và chỉ đúng dòng sai. Giá trị False thì dễ bị bỏ qua rồi lưu nhầm vào dữ liệu. Cách chọn loại ngoại lệ có ở bài raise.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.