Bỏ qua đến nội dung chính
Mục lục

Sắp xếp tên tiếng Việt có dấu trong Python

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 4/4 · Chương 12

Python với dữ liệu Việt Nam

  • 7 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Sắp xếp tiếng Việt trong Python cho đúng thứ tự bảng chữ cái cần một hàm key riêng, vì sorted() so chuỗi theo điểm mã chứ không theo bảng chữ cái tiếng Việt. Bạn gặp việc này khi in danh sách lớp, bảng lương hay danh bạ khách: người tên "Ánh" phải đứng đầu chứ không bị đẩy xuống sau "Yến".

Cần biết trước: sắp xếp list, lambda và Unicode và tiếng Việt.

Vì sao sorted() xếp sai tên có dấu

sorted() so hai chuỗi từng ký tự từ trái sang phải, và so hai ký tự bằng điểm mã của chúng.

python
ten = ["Yến", "Ánh", "Hoa", "Hà", "Huy", "Đức"]
print(sorted(ten))
print(ord("a"), ord("à"), ord("Y"), ord("Á"), ord("Đ"))

KẾT QUẢ

['Hoa', 'Huy', 'Hà', 'Yến', 'Ánh', 'Đức']
97 224 89 193 272

Chữ a, Y nằm trong nhóm ký tự Latin cơ bản, điểm mã dưới 128. Chữ có dấu và chữ Đ có điểm mã lớn hơn hẳn, nên "Ánh", "Đức" bị đẩy ra sau "Yến", và "Hà" đứng sau "Huy" vì à lớn hơn u. Thứ tự theo điểm mã giống xếp sách theo số mã vạch: đúng một thứ tự, nhưng không phải thứ tự người đọc tìm.

Hàm key theo bảng chữ cái tiếng Việt

Bảng chữ cái tiếng Việt có 29 chữ cái: a ă â b c d đ e ê g h i k l m n o ô ơ p q r s t u ư v x y. Khóa của một chuỗi là list vị trí của từng chữ cái trong bảng đó. Muốn tìm được ầ trong bảng thì phải bỏ dấu thanh trước, nhưng giữ dấu mũ, dấu trăng, dấu móc, vì chúng làm nên chữ cái ă, â, ơ…

python
from unicodedata import normalize
CHU_CAI = "aăâbcdđeêghiklmnoôơpqrstuưvxy"
DAU = chr(768) + chr(777) + chr(771) + chr(769) + chr(803)

def khoa_chu(chuoi):
    goc = ""
    for ky_tu in normalize("NFD", chuoi.lower()):
        if ky_tu not in DAU:
            goc += ky_tu
    vi_tri = []
    for ky_tu in normalize("NFC", goc):
        vi_tri.append(CHU_CAI.find(ky_tu))
    return vi_tri
ten = ["Yến", "Ánh", "Hoa", "Hà", "Huy", "Đức"]
print(sorted(ten, key=khoa_chu))

KẾT QUẢ

['Ánh', 'Đức', 'Hà', 'Hoa', 'Huy', 'Yến']

DAU gồm năm dấu thanh ở dạng tách: huyền, hỏi, ngã, sắc, nặng. Ở dạng NFD, ầ là a, dấu mũ, dấu huyền; vòng lặp đầu bỏ dấu huyền, giữ a với dấu mũ, rồi NFC ghép lại thành â. Vòng lặp sau đổi từng chữ cái thành vị trí của nó, và sorted() so các list vị trí này như so số. Ký tự không có trong bảng, như dấu cách, cho -1 nên đứng trước các chữ cái; chữ f, j, w, z cũng cho -1. Đổi "Hoa" thành "Ân" rồi chạy lại: tên mới đứng thứ hai, kết quả in 'Ánh', 'Ân', 'Đức'.

Hai tên chỉ khác dấu thanh, như "Ha" và "Hà", cho cùng một khóa chữ cái. Khi đó cần thêm dấu thanh làm tiêu chí thứ hai: mỗi chữ cái một số, 0 cho thanh ngang, rồi huyền, hỏi, ngã, sắc, nặng theo thứ tự trong chuỗi DAU. Chữ không dấu cũng phải có số 0, vì chỉ ghi các dấu gặp được thì "Thu Hà" và "Thù Ha" cho cùng một khóa. Phần đó là bài tập cuối bài. Dữ liệu lẫn hai kiểu đặt dấu (Hòa, Hoà) thì đưa về một kiểu trước khi xếp.

Khóa so cả chuỗi từ trái sang phải, không so từng tiếng một: "Hà An" đứng trước "Ha Bình", vì chữ cái thứ tư a đứng trước b nên dấu thanh không cần xét tới.

Xếp theo tên rồi họ

Danh sách lớp ở Việt Nam thường xếp theo tên, tức từ cuối của họ tên, rồi mới tới họ và tên đệm. Khóa là một tuple hai phần: khóa của tên, rồi khóa của cả họ tên. sort() so phần đầu trước, chỉ khi phần đầu bằng nhau mới so phần sau.

python
from unicodedata import normalize
CHU_CAI = "aăâbcdđeêghiklmnoôơpqrstuưvxy"
DAU = chr(768) + chr(777) + chr(771) + chr(769) + chr(803)
def khoa_chu(chuoi):
    goc = ""
    for ky_tu in normalize("NFD", chuoi.lower()):
        if ky_tu not in DAU:
            goc += ky_tu
    vi_tri = []
    for ky_tu in normalize("NFC", goc):
        vi_tri.append(CHU_CAI.find(ky_tu))
    return vi_tri
ds = ["Trần Thu Hà", "Phạm Quốc Huy", "Vũ Ngọc", "Lê Ngọc"]
ds.sort(key=lambda h: (khoa_chu(h.split()[-1]), khoa_chu(h)))
print(ds)

KẾT QUẢ

['Trần Thu Hà', 'Phạm Quốc Huy', 'Lê Ngọc', 'Vũ Ngọc']

Hai bạn cùng tên Ngọc được xếp tiếp theo cả họ tên, nên "Lê Ngọc" đứng trước "Vũ Ngọc". Biểu thức h.split()[-1] lấy từ cuối, kể cả khi họ tên có ba hay bốn từ; cách tách chuỗi thành từ có ở bài split() và join().

Kiểm tra nhanh

  1. sorted(["Hà", "Hoa", "Huy"]) trả về gì?

    • ["Hà", "Hoa", "Huy"]
    • ["Huy", "Hoa", "Hà"]
    • ["Hoa", "Huy", "Hà"]
  2. ord("Đ") > ord("Y") mang giá trị nào?

    • True
    • False
  3. Muốn xếp họ tên theo tên, người cùng tên thì theo cả họ tên, những key nào làm đúng? (họ tên không dấu)

    • key=lambda h: h.split()[-1]
    • key=lambda h: (h.split()[-1], h)
    • key=lambda h: (h, h.split()[-1])
    • key=lambda h: (khoa_chu(h.split()[-1]), khoa_chu(h))
  4. Trong ví dụ hàm key, khoa_chu("Đức") trả về gì?

    • [5, 24, 4]
    • [6, 25, 4]
    • [272, 7913, 99]
Đúng hết lần đầu +15 XP

Bài tập

Thêm dấu thanh vào khóa sắp xếp

Viết thân hàm khoa_tieng_viet(chuoi) trả về tuple (vi_tri, dau):

  • vi_tri: list vị trí trong CHU_CAI của từng chữ cái, sau khi đổi về chữ thường và bỏ dấu thanh, như khoa_chu trong bài.

  • dau: list dấu thanh của từng chữ cái, cùng thứ tự với vi_tri: 0 cho thanh ngang, rồi tính từ 1 theo DAU (huyền 1, hỏi 2, ngã 3, sắc 4, nặng 5). Ký tự không có dấu thanh, kể cả dấu cách, ghi 0.

Chuỗi đưa vào có thể ở dạng NFC hay NFD. Ví dụ: khoa_tieng_viet("Hà") trả về ([10, 0], [0, 1]).

Trả về: khóa sắp xếp, một tuple gồm hai list.

python
from unicodedata import normalize

CHU_CAI = "aăâbcdđeêghiklmnoôơpqrstuưvxy"
DAU = chr(768) + chr(777) + chr(771) + chr(769) + chr(803)

def khoa_tieng_viet(chuoi):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • sorted() so chuỗi theo điểm mã, nên chữ có dấu và chữ Đ đứng sau mọi chữ không dấu.

  • key=str.lower chỉ bỏ khác biệt hoa thường, không sửa được thứ tự chữ có dấu.

  • Khóa tiếng Việt: bỏ dấu thanh ở dạng NFD, ghép lại NFC, đổi từng chữ cái thành vị trí trong bảng 29 chữ cái.

  • Tên chỉ khác dấu thanh thì so thêm dấu thanh của từng chữ cái làm tiêu chí thứ hai, 0 cho thanh ngang.

  • Xếp theo tên rồi họ bằng tuple khóa (khóa của tên, khóa của cả họ tên).

Câu hỏi thường gặp

Làm sao bỏ dấu tiếng Việt trong Python?

Đưa chuỗi về NFD, bỏ mọi dấu tổ hợp (dấu thanh và cả dấu mũ, dấu trăng, dấu móc), rồi đổi riêng đ thành d, vì đ không tách được. Chuỗi không dấu hợp với tìm kiếm hay đặt tên file, nhưng không dùng làm khóa sắp xếp được: "Ân" và "An" thành một. Dạng NFD có ở bài Unicode và tiếng Việt.

Ngoài hàm key tự viết, có cách nào khác để sort tiếng Việt không?

Module locale của thư viện chuẩn xếp được theo tiếng Việt trên Linux có cài vùng ngôn ngữ vi_VN; trên macOS nó vẫn so theo điểm mã, nên kết quả đổi theo máy. Hàm key tự viết như bài này cho cùng một thứ tự trên máy nào cũng vậy. Module này có ở bài thư viện chuẩn về văn bản.

Muốn sắp xếp tên tiếng Việt giảm dần thì làm sao?

Giữ nguyên hàm key và thêm reverse=True: sorted(ds, key=khoa_chu, reverse=True). Python đảo thứ tự kết quả, còn khóa thì không đổi. Cách dùng reverse= cùng key= có ở bài sắp xếp list.

Chủ đề

sắp xếp tiếng việt python

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

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.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập