Очистка пользовательских данных

Условие задания

**Компания:** Сбер

**Контекст:** Из CRM выгружены данные клиентов с грязными полями: телефоны в разных форматах, email с пробелами, ФИО с лишними символами. Нужно нормализовать данные.

**Пример данных:**
[см. код в задании]

**Задание:**
1. Функция нормализации телефона: вывести в формат +7XXXXXXXXXX
2. Функция нормализации email: lowercase, strip, валидация формата
3. Функция нормализации ФИО: capitalize, убрать лишние пробелы
4. Применить все функции к DataFrame

Темы

очистка regex типы данных телефон email

Подсказки

• Для телефона: убрать все нецифровые символы, привести к формату +7...
• re.match() для валидации email по шаблону
• str.strip().title() для ФИО, re.sub для множественных пробелов

Все тестовые задания →

Частые вопросы

Какой уровень знаний нужен для задачи "Очистка пользовательских данных"?

Это задание для уровня easy. Senior-уровень — глубокое понимание темы, опыт решения нестандартных задач, обсуждение trade-off на собеседовании.

На каких собеседованиях встречается такая задача?

Подобные задания в категории «data_engineering» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: очистка, regex, типы данных, телефон, email.

Сколько времени даётся на решение?

На реальном собеседовании на подобную задачу отводится 30-60 минут с обсуждением подходов, оптимизаций и trade-off. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.

Где ещё потренироваться по теме «data_engineering»?

На zasqlpython.ru есть другие задания в категории «data_engineering», продуктовые кейсы, справочник метрик, AI мок-собеседование с разбором ваших ответов.

← Все задания