Trích xuất và chuẩn hóa văn bản có cấu trúc bằng Vectorized String và RegEx

Mục tiêu kiến thức

• Sử dụng thuộc tính chuỗi vector hóa df['col'].str để tăng tốc độ xử lý chuỗi nhanh hơn hàng chục lần so với apply().
• Áp dụng các biểu thức chính quy (RegEx) có nhóm chụp (Capture Groups) bằng str.extract().
• Chuẩn hóa và làm sạch dữ liệu văn bản phi cấu trúc (Unstructured Text Logs).

Mô tả bài toán

Viết hàm extract_contact_info(df: pd.DataFrame, text_col: str) -> pd.DataFrame:

• df: DataFrame chứa các chuỗi văn bản tự do trong cột text_col.
• Kiểm tra tính hợp lệ:
• Nếu text_col không tồn tại trong df.columns, raise KeyError(f"Cot '{text_col}' khong ton tai").
• Trích xuất thông tin liên hệ và trả về DataFrame mới gồm 3 cột:
• "email": Tìm địa chỉ email hợp lệ đầu tiên (dạng user@domain.ext), chuyển toàn bộ về chữ thường (lower). Nếu không có, để np.nan.
• "domain": Phần tên miền phía sau ký tự @ của email đó (chữ thường). Nếu không có email, để np.nan.
• "phone": Tìm chuỗi số điện thoại chứa đúng 10 chữ số (có thể xen kẽ dấu cách, dấu gạch ngang, ngoặc đơn như (090) 123-4567 hoặc 0901234567). Lấy 10 chữ số đó và định dạng lại thành chuỗi chuẩn "XXX-XXX-XXXX". Nếu không có hoặc không đủ 10 chữ số, để np.nan.
• Trả về pd.DataFrame mới có cùng index với df và chứa 3 cột: ["email", "domain", "phone"].

Ràng buộc

• Thời gian chạy tối đa: 1000ms.
• Giới hạn bộ nhớ: 256MB.
• Dữ liệu đầu vào tuân thủ đúng kiểu dữ liệu và miền giá trị được mô tả.