Dữ liệu tên khách hàng bẩn: làm sạch bằng 5 hàm chuỗi

Ba dòng cùng là một người: “nguyen an”, “Nguyen An ” và “NGUYEN AN”. COUNT DISTINCT của bạn đang đếm ba khách.

Bài toán

Cột ho_ten nhập tay từ ba nguồn khác nhau. Cùng một người xuất hiện ba kiểu, và mọi phép đếm đều sai.

Năm hàm giải quyết 90% trường hợp

SELECT
  INITCAP(LOWER(TRIM(ho_ten))) AS ho_ten_sach,
  COUNT(*)
FROM khach_hang
GROUP BY 1;

Lỗi thường gặp

1. CONCAT gặp NULL

-- MySQL: cả chuỗi thành NULL nếu ten_dem là NULL
SELECT CONCAT(ho, ' ', ten_dem, ' ', ten) FROM khach_hang;

-- An toàn
SELECT CONCAT_WS(' ', ho, ten_dem, ten) FROM khach_hang;

CONCAT_WS tự bỏ qua NULL. Trên PostgreSQL, toán tử || cũng biến cả chuỗi thành NULL — dùng COALESCE(ten_dem,'') để chặn.

2. Vị trí bắt đầu từ 1, không phải 0

SUBSTRING('ABCDEF', 1, 3)   -- 'ABC'
SUBSTRING('ABCDEF', 0, 3)   -- 'AB'  (dễ nhầm)

3. Làm sạch trong WHERE là mất chỉ mục

-- Quét toàn bảng
WHERE LOWER(TRIM(email)) = 'an@gmail.com'

Nếu phải lọc thường xuyên như vậy, hãy làm sạch dữ liệu một lần khi nạp, hoặc tạo cột đã chuẩn hoá kèm chỉ mục riêng.

4. Cắt chuỗi có dấu tiếng Việt

LENGTH ở một số hệ trả về số byte, không phải số ký tự. Với UTF-8, “Nguyễn” có 6 ký tự nhưng 8 byte. Dùng CHAR_LENGTH khi bạn muốn đếm ký tự.

Tách chuỗi thành cột

-- Lấy tên miền từ email
SELECT SPLIT_PART(email, '@', 2) AS ten_mien   -- PostgreSQL
SELECT SUBSTRING_INDEX(email, '@', -1)         -- MySQL
FROM nguoi_dung;

Luyện tập

• LeetCode 1667 — Fix Names in a Table
• LeetCode 1484 — Group Sold Products By The Date
• LeetCode 1965 — Employees With Missing Information
• HackerRank — The Blunder (REPLACE và làm tròn)
• HackerRank — Name of Employees