1-02 文字列を扱う

このページはプロモーション（広告）を含みます。

名前・住所・問い合わせ文、そしてLLMへのプロンプトと返答。業務データとLLMアプリの中心にある「文字列」の扱い方を、日本語特有の注意点まで学びます。

この章でできるようになること

• 引用符・エスケープ・三重引用符を使い分けて文字列を書ける
• f文字列と書式指定（:, / :.2f / :>10 など）で読みやすい出力を作れる
• インデックスとスライスで文字列の一部を取り出し、結果を予想できる
• 文字列がイミュータブルであることを説明し、メソッドの結果を正しく受け取れる
• strip・split・join・replace・find・in などで問い合わせ文や業務データを整形できる
• 全角半角の揺れを NFKC 正規化で揃え、文字数とバイト数の違いを説明できる
• f文字列でプロンプトを組み立て、その危険（区切り、波かっこ、ユーザー入力）を説明できる

前の章（→ 1-01 値・型・変数）で、Python の値には型があり、外から届くデータの多くは文字列（str）だと学びました。この章では、その文字列を自在に扱えるようになることを目指します。

業務で扱うデータの大半は文字列です。顧客名、住所、商品名、注文番号、メールアドレス、問い合わせ文、議事録。そして LLM アプリでは、さらに比重が上がります。LLM に渡す指示（プロンプト）も、LLM から返ってくる答えも、すべて文字列だからです。プロンプトを組み立てる、ユーザーの入力を整える、モデルの返答から必要な部分を取り出す。LLM アプリのコードの多くは、実は文字列操作でできています。

日本語には、英語圏の教材ではあまり扱われない難しさもあります。全角と半角の揺れ（「ＡＢＣ」と「ABC」）、半角カタカナ、見た目は同じでも中身が違う文字、文字数とバイト数の違いです。この章では、こうした日本語特有の問題にも、仕組みから向き合います。

文字列を書く：引用符・エスケープ・複数行

文字列は、文字の並びを引用符で囲んで書きます。囲んだ書き方そのものをリテラル（literal）と呼びます。「値をそのまま書いたもの」という意味です。

アプリで実行できるコード

shop = "グラウンド商店"
item = 'ワイヤレスマウス'
empty = ""
print(shop, item, empty, "（ここまで）")
print(type(empty), len(empty))
print('彼は "至急" と言った')
print("It's urgent")

ダブルクォート " とシングルクォート ' のどちらで囲んでも、同じ文字列になります。Python のコードでは、どちらかに統一するのが一般的です（この課程ではダブルクォートを使います）。"" は文字を1つも含まない空文字列で、長さ（len）は 0 です。

最後の2行のように、引用符の中に引用符を入れたいときは、もう一方の引用符で囲むと楽です。

エスケープ：特別な文字を書く

文字列の中に改行やタブを入れたいときは、バックスラッシュ \ を使ったエスケープシーケンス（escape sequence）で書きます。\ の後ろの文字が「特別な意味」に変わります。Mac の日本語キーボードでは、option キーを押しながら ¥ キーで \ を入力できます。

予想してください。

実行前に出力を予想する

memo = "注文受付\n担当:佐藤"
print(memo)
print(len(memo))

\n は2文字で書きますが、文字列の中では「改行」という1文字です。だから len(memo) は、注文受付（4文字）＋改行（1文字）＋担当:佐藤（5文字）で 10 になります。画面に見える文字と、文字列の中身は一致しないことがある、という最初の例です。

中身を正確に見たいときは repr() を使います。repr() は、その値を Python のコードとして書いたときの形を返すので、改行や空白が見えるようになります。

アプリで実行できるコード

print(repr(memo))
print(repr("  前後に空白  "))

生文字列：バックスラッシュをそのまま使う

Windows のファイルパスや、→ 1-10 モジュールと標準ライブラリ で学ぶ正規表現では、\ を文字そのものとして大量に書きます。毎回 \\ と書くのは読みにくいので、引用符の前に r を付けた生文字列（raw string）を使います。r"C:\new\table" と書くと、\n や \t が改行やタブにならず、書いたとおりの文字列になります。AIが書いたコードで r"..." を見たら、「バックスラッシュを特別扱いしない文字列」と読みます。

三重引用符：複数行の文字列

引用符を3つ重ねた """...""" で囲むと、改行を含む文字列をそのまま書けます。

アプリで実行できるコード

notice = """お客様各位

年末年始の営業についてお知らせします。
12月29日から1月3日までは休業いたします。"""
print(notice)
print(notice.count("\n"), "個の改行を含む")

三重引用符は、LLM アプリで頻繁に使います。プロンプトは数行から数十行の文章になることが多く、三重引用符で書くとコードの中でも読みやすいからです。この章の後半で、実際にプロンプトを組み立てます。

文字列をつなぐ：連結と f文字列

文字列どうしは + で連結できます。ただし前の章で見たとおり、数と連結するには str() で変換する必要があります。

アプリで実行できるコード

customer = "田中"
total = 6534
print(customer + "様のご請求額は" + str(total) + "円です。")
print(f"{customer}様のご請求額は{total}円です。")
print(f"税抜は{total * 100 // 110}円です。")

1行目は動きますが、+ と str() が並んで読みにくく、空白の入れ忘れも起きやすい書き方です。そこで現代の Python では、2行目以降のようにf文字列（f-string）を使います。引用符の前に f を付け、埋め込みたい式を波かっこ {} で囲みます。

{} の中には変数だけでなく、計算式も書けます。そして str() を書かなくても、値は自動で文字列に変換されます。f文字列は、AIが書く Python コードで最もよく見かける文字列の書き方です。

書式指定：桁区切り・小数点・幅

{} の中で、値の後ろに : を付けると、表示の形（書式）を指定できます。業務の帳票や、LLM に渡す表データを作るときに欠かせません。

アプリで実行できるコード

sales = 1250000
rate = 0.2537
print(f"売上: {sales:,}円")          # 3桁ごとのカンマ
print(f"成約率: {rate:.1%}")         # パーセント表示（小数1桁）
print(f"平均: {sales / 3:.2f}")     # 小数点以下2桁
print(f"[{sales:>12,}]")            # 幅12で右寄せ＋カンマ
print(f"[{'在庫':<6}][{'在庫':^6}]")  # 左寄せ・中央寄せ
print(f"{42:05d}")                  # 0で埋めて5桁

よく使う書式指定を表にまとめます。

書式指定は組み合わせられます。:>12, は「幅12で右寄せ、カンマ区切り」です。全部を覚える必要はありません。「: の後ろに書式が書ける」と知っていれば、AIが書いたコードを読めますし、必要なときに表を見て書けます。

予想してください。前の章の内容とつながっています。

実行前に出力を予想する

print(f"{2.675:.2f}")
print(f"{0.5:.0f}", f"{1.5:.0f}", f"{2.5:.0f}")

2.675 を小数2桁にすると、2.68 ではなく 2.67 になります。前の章で見たとおり、2.675 という float は実際には 2.67499999… として保存されているからです。2行目は、書式指定の丸めも round() と同じく偶数丸めになることを示しています。書式指定は「表示」のための道具です。金額の端数処理は、表示の前に整数や Decimal で済ませておきます（→ 1-01 値・型・変数）。

デバッグに便利な {変数=}

{} の中で、変数名の後ろに = を付けると、「変数名=値」の形で表示されます。値を確かめるときに便利です。

アプリで実行できるコード

unit_price = 1980
quantity = 3
print(f"{unit_price=}, {quantity=}, {unit_price * quantity=}")

AIが書いたデバッグ用のコードでよく見かける書き方です。前の章で紹介した「トレース表」を作るときにも使えます。

インデックスとスライス：文字の位置を指す

文字列は文字の並びなので、何番目の文字かを指定して取り出せます。番号をインデックス（index）と呼び、文字列[番号] で取り出します。番号は 0 から数えます。

実行前に出力を予想する

order_id = "ORD-2026-000123"
print(order_id[0])
print(order_id[4])
print(order_id[-1])
print(len(order_id))

先頭の文字は [0] です。1ではありません。多くのプログラミング言語が0から数えるのは、インデックスが「先頭から何文字分ずれた位置か」を表しているからです。先頭は0文字ずれた位置、というわけです。

マイナスの番号は、後ろから数えます。[-1] は最後の文字、[-2] は最後から2番目です。「最後の文字」は order_id[len(order_id) - 1] とも書けますが、[-1] のほうが短く、読み間違いも少なくなります。存在しない番号（この例なら order_id[15]）を指定すると、IndexError: string index out of range（範囲外）になります。

スライス：範囲で取り出す

文字列[開始:終了] と書くと、一部分をまとめて取り出せます。これをスライス（slice）と呼びます。

実行前に出力を予想する

order_id = "ORD-2026-000123"
print(order_id[4:8])
print(order_id[:3])
print(order_id[9:])
print(order_id[-6:])

スライスで最も混乱しやすいのは、「終了の番号の文字は含まれない」という点です。[4:8] は 4, 5, 6, 7 番目の4文字で、8番目は含みません。これは、番号を「文字そのもの」ではなく「文字と文字の間の切れ目」に振ってあると考えると、すっきり理解できます。

  切れ目の番号:  0   1   2   3   4   5   6   7   8   9  ...
                 | O | R | D | - | 2 | 0 | 2 | 6 | - | 0 ...
  後ろから:                                         ... -6

[4:8] は「切れ目4から切れ目8まで」なので、2026 の4文字になります。この考え方だと、取り出す文字数は 終了 - 開始（8 − 4 = 4）で計算できます。開始を省略すると先頭から、終了を省略すると最後まで、という意味になります。[-6:] は「後ろから6文字目の切れ目から最後まで」で、末尾の6文字です。

スライスには、インデックスと違う重要な性質があります。範囲外を指定してもエラーにならず、取れるところまでを返します。

実行前に出力を予想する

code = "A12"
print(repr(code[0:10]))
print(repr(code[5:]))
print(code[::-1])

code[0:10] は、3文字しかないので "A12" 全体が返ります。code[5:] は空文字列です。この性質のおかげで、「先頭100文字だけ取り出す」という処理を text[:100] と書けば、100文字未満の文字列でも安全に動きます。LLM に渡す文章の長さを制限するときによく使う書き方です。

最後の [::-1] は「3つ目の値（ステップ）を -1 にして、後ろから1文字ずつ」という意味で、文字列を逆順にします。AIのコードで見かけたら「逆順」と読めれば十分です。

文字列は変更できない（イミュータブル）

文字列の一部を書き換えようとすると、どうなるでしょうか。

order_id = "ORD-2026-000123"
order_id[0] = "X"

TypeError: 'str' object does not support item assignment

「文字列は要素への代入をサポートしていません」というエラーです。Python の文字列は、一度作ったら中身を変更できません。この性質をイミュータブル（immutable、変更不可）と呼びます。

では、文字列を加工するにはどうするのか。答えは「元の文字列から、新しい文字列を作る」です。この後で学ぶ文字列のメソッドは、どれも元の文字列を変更せず、新しい文字列を作って返します。そのため、次の間違いが非常によく起きます。予想してください。

実行前に出力を予想する

name = "  tanaka taro  "
name.strip()
name.upper()
print(repr(name))

strip() は前後の空白を取り除き、upper() は大文字に変換するメソッドです。しかし出力は、元のままの ' tanaka taro ' です。name.strip() は「空白を取り除いた新しい文字列」を作りましたが、その結果をどの名前にも結びつけていないので、作られてすぐに捨てられました。name の札は、元の文字列に付いたままです。

アプリで実行できるコード

name = "  tanaka taro  "
name = name.strip()
name = name.upper()
print(repr(name))

# 続けて書くこともできる（左から順に適用される）
raw = "  tanaka taro  "
print(repr(raw.strip().title()))

結果を変数に代入し直す、つまり名前札を新しい文字列に付け替えることで、加工した結果が残ります。raw.strip().title() のようにメソッドを続けて書く書き方をメソッドチェーンと呼びます。左から順に「strip() した結果に対して title() する」と読みます。

なぜわざわざ変更できない設計にしたのでしょうか。理由の1つは安全性です。前の章で、1つの値に複数の名前札を付けられると学びました。もし文字列が変更可能だと、ある場所で name の中身を書き換えたとき、同じ文字列に札を付けていた別の場所の値まで変わってしまいます。変更できなければ、そもそもこの心配がありません。次の章（→ 1-03 リストとタプル）では、変更できる値であるリストで、まさにこの問題が起きることを見ます。

イミュータブルであることには、性能面の帰結もあります。text = text + "追加" は、元の文字列を書き換えるのではなく、毎回すべての文字をコピーした新しい文字列を作ります。数行なら気にする必要はありませんが、何万行ものログを + で1つずつつなげると、コピーが積み重なって遅くなります。たくさんの文字列をつなぐときは、後で学ぶ join() を使うのが定番です。

よく使う文字列メソッド

メソッド（method）とは、値にくっついている専用の関数で、値.メソッド名(...) の形で呼び出します。文字列には40以上のメソッドがありますが、業務でよく使うのは十数個です。ここでは問い合わせ対応のデータを題材に、目的別に見ていきます。

前後の空白を取り除く：strip

フォームやCSVの値には、前後に余計な空白や改行が付いていることがよくあります。

アプリで実行できるコード

raw_inputs = ["  田中 太郎", "佐藤花子\n", "\u3000鈴木\u3000"]
print(repr(raw_inputs[0].strip()))
print(repr(raw_inputs[1].strip()))
print(repr(raw_inputs[2].strip()))

strip() は、前後の空白文字（半角スペース、タブ、改行、そして全角スペース \u3000 も含む）を取り除きます。文字列の途中の空白（「田中 太郎」の間）は残ります。左側だけなら lstrip()、右側だけなら rstrip() です。strip("「」") のように引数を渡すと、空白の代わりに指定した文字を前後から取り除きます。

分割と結合：split と join

CSVの1行や、タグの並びを分解するときは split() を使います。結果は、次の章で学ぶリスト（list）という「値の並び」で返ってきます。今は「[...] の中に値がカンマ区切りで並んだもの」と思ってください。

実行前に出力を予想する

line = "C-001,田中商事,東京都,,3"
parts = line.split(",")
print(parts)
print(len(parts))
print(parts[1])

split(",") は、カンマの位置で切り分けます。カンマが2つ連続している部分（住所の次の空欄）は、空文字列 '' として残ります。だから要素は5つです。空欄を勝手に詰めない性質は、CSVの列の位置がずれないために重要です。

一方、引数なしの split() は動きが違います。

実行前に出力を予想する

text = "  返品   交換\t返金  "
print(text.split())
print(text.split(" "))

引数なしの split() は「1つ以上連続する空白（スペース、タブ、改行、全角スペース）を1つの区切りとみなし、前後の空白は無視する」という動きをします。単語に分けたいときはこちらが便利です。split(" ") は半角スペース1つずつで厳密に切るので、空文字列がたくさん混ざります。

逆に、複数の文字列を1つにつなげるのが join() です。書き方が少し独特で、区切り文字の側のメソッドとして呼びます。

アプリで実行できるコード

tags = ["返品", "至急", "VIP"]
print(", ".join(tags))
print(" / ".join(tags))
print("\n".join(tags))

", ".join(tags) は「, を間に挟んで、tags の要素をつなぐ」と読みます。tags.join(", ") ではない点に注意してください。join() に渡す並びの要素は、すべて文字列である必要があります。数が混ざっていると TypeError になるので、そのときは文字列に変換してからつなぎます。

置き換える：replace

replace(古い, 新しい) は、文字列の中の一致する部分をすべて置き換えた新しい文字列を返します。

アプリで実行できるコード

price_text = "1,280円"
print(price_text.replace(",", "").replace("円", ""))

template = "〇〇様、お問い合わせありがとうございます。〇〇様のご注文を確認しました。"
print(template.replace("〇〇", "田中"))
print(template.replace("〇〇", "田中", 1))

前の章の演習で使った replace(",", "") は「カンマを空文字列に置き換える」、つまり取り除くという意味でした。3つ目の引数で、置き換える回数を制限できます。

探す：in・find・startswith

ある文字列が含まれているかを調べるには、in 演算子を使うのが最も簡単で読みやすい方法です。

アプリで実行できるコード

inquiry = "先週購入した商品を返品したいのですが、手続きを教えてください。"
print("返品" in inquiry)
print("解約" in inquiry)
print("返品" not in inquiry)
print(inquiry.startswith("先週"), inquiry.endswith("。"))
print(inquiry.count("し"))

in は True か False を返します。startswith() は先頭が、endswith() は末尾が一致するかを調べます。count() は出現回数を数えます。

位置が知りたいときは find() を使います。見つかれば最初の位置（インデックス）を、見つからなければ -1 を返します。

実行前に出力を予想する

print(inquiry.find("返品"))
print(inquiry.find("解約"))
print(inquiry.find("先週"))

find() が -1 を返すという仕様は、落とし穴の元です。

大文字・小文字：upper・lower

英字の大文字・小文字を揃えるには upper()、lower() を使います。メールアドレスのドメイン部分や、商品コードの比較など、大文字小文字を区別したくない比較の前に揃えます。

アプリで実行できるコード

email = "Tanaka.Taro@Example.CO.JP"
print(email.lower())
print("abc-001".upper())
print("ＡＢＣ".lower())

最後の例のように、lower() は全角の英字にも効きます（ａｂｃ になる）。ただし全角を半角にはしません。全角と半角の揺れを揃えるのは、次の節で扱う「正規化」の役目です。

数字かどうかを調べる：isdigit の落とし穴

フォームの入力が数字だけでできているかを調べるのに、AIは isdigit() をよく使います。「すべての文字が数字なら True」を返すメソッドです。ところが、この「数字」の範囲は思ったより広いのです。

実行前に出力を予想する

print("123".isdigit(), "１２３".isdigit())
print("①".isdigit(), "-5".isdigit(), "1.5".isdigit())

全角数字の "１２３" は True です。これは int() でも変換できるので問題ありません。問題は "①" で、isdigit() は True を返すのに、int("①") は ValueError になります。逆に、"-5" はマイナス記号が数字ではないので False ですが、int("-5") は -5 に変換できます。小数の "1.5" も False です。

つまり isdigit() の結果と「int() で変換できるか」は一致しません。「isdigit() で確かめてから int() する」というコードは、丸数字で落ち、マイナスの数を誤って弾きます。数に変換できるかを確かめる最も確実な方法は、実際に変換してみて、失敗したら扱いを決めることです。その書き方（try / except）は → 1-08 エラーを読み、直す で学びます。それまでは、「isdigit() を見たら、丸数字・マイナス・小数のときにどう動くか」を確認する、と覚えておいてください。

メソッドの早見表

「返すもの」の列が大切です。新しい文字列を返すメソッドは、結果を変数に受け取らなければ何も残りません。bool や int を返すものは、条件判定や計算に使います。

日本語を扱うときの注意

ここからは、日本語のデータを扱うときに特有の問題です。英語圏の教材ではあまり扱われませんが、日本の業務システムでは避けて通れません。

全角と半角の揺れ：NFKC 正規化

同じ注文番号でも、入力する人によって「ORD-123」「ＯＲＤ－１２３」「ORD－123」と書き方が揺れます。カタカナも「ヘンピン」と半角の「ﾍﾝﾋﾟﾝ」があります。人間には同じに見えますが、Python にとっては別の文字列です。

実行前に出力を予想する

print("ABC123" == "ＡＢＣ１２３")
print("ヘンピン" == "ﾍﾝﾋﾟﾝ")

どちらも False です。文字列の比較は、見た目ではなく、中に入っている文字の番号（文字コード）で行われるからです。

この揺れを揃えるのが、標準ライブラリ unicodedata の normalize() です。"NFKC" という方式を指定すると、全角英数字を半角に、半角カタカナを全角に揃えるなど、「見た目や意味がほぼ同じ文字」を1つの代表的な形にまとめます。この処理を正規化（normalization）と呼びます。

アプリで実行できるコード

import unicodedata

samples = ["ＡＢＣ１２３", "ﾍﾝﾋﾟﾝ", "ORD－２０２６", "①②③", "㈱グラウンド", "全角　スペース"]
for s in samples:
    print(repr(s), "->", repr(unicodedata.normalize("NFKC", s)))

（for s in samples: は「samples の要素を1つずつ s に入れて、下の行を繰り返す」という意味です。→ 1-06 繰り返し で詳しく学びます。）

全角英数字は半角に、半角カタカナは全角に、① は 1 に、㈱ は (株) に、全角スペースは半角スペースになりました。検索、重複チェック、商品コードの照合の前に NFKC 正規化をかけておくと、表記揺れによる取りこぼしを大きく減らせます。

見た目が同じでも、中身が違う文字

正規化にはもう1つ、"NFC" という方式があります。これは濁点の扱いに関係します。「が」という文字は、Unicode では2通りの表し方ができます。1文字の「が」と、「か」＋濁点記号（\u3099）の2文字の組み合わせです。

実行前に出力を予想する

ga1 = "が"
ga2 = "か\u3099"
print(ga1, ga2)
print(ga1 == ga2)
print(len(ga1), len(ga2))

画面ではどちらも「が」に見えますが、比較すると False、長さは 1 と 2 です。これは架空の問題ではありません。macOS のファイルシステムでは、ファイル名の濁点・半濁点が分解された形で扱われることがあり、Mac で作ったファイル名を Windows や Web システムに渡すと「同じ名前なのに一致しない」問題が起きます。unicodedata.normalize("NFC", s) で1文字の形に揃えると解決します（NFKC も同時にこれを行います）。

文字数とバイト数

len() が返すのは文字数です。正確には、Unicode の「コードポイント（文字に割り振られた番号）」の数です。一方、文字列をファイルに保存したり、ネットワークで送ったりするときは、文字をバイト（byte）の並びに変換します。この変換方式を文字コード（エンコーディング、encoding）と呼び、現在の標準は UTF-8 です。

実行前に出力を予想する

text_en = "Return"
text_ja = "返品"
print(len(text_en), len(text_en.encode("utf-8")))
print(len(text_ja), len(text_ja.encode("utf-8")))

encode("utf-8") は文字列を UTF-8 のバイト列に変換します。英数字は1文字1バイトですが、日本語のひらがな・カタカナ・漢字の多くは1文字3バイトです。だから「返品」は2文字ですが6バイトになります。

この違いは、次のような場面で問題になります。

• データベースの列が「最大50バイト」と定義されているのに、文字数で50文字までチェックしていた。日本語50文字は150バイトなので、保存に失敗する。
• SMS や一部の外部 API が「70文字まで」「1,000バイトまで」のように、異なる単位で上限を決めている。
• 「𠮷」（つちよし）のような一部の漢字は、Python の len() では1文字ですが、UTF-8 では4バイトになり、Excel や JavaScript では2文字と数えられることがある。システムごとに「1文字」の数え方が違う。

上限を扱う仕様では、「何の単位で数えるのか（文字数・バイト数）」を必ず確認してください。

文字列の大小と、日本語の並び順

文字列どうしを < で比べると、先頭から1文字ずつ、文字に割り振られた番号（コードポイント）の大小で比べます。前の章で "10" < "9" が True になったのはこのためでした。日本語では、この規則がもう1つの問題を生みます。

実行前に出力を予想する

print("あ" < "ア", "ア" < "亜")
print("佐藤" < "鈴木", "斎藤" < "佐藤")

番号は、ひらがな、カタカナ、漢字の順に大きくなります。漢字の番号は読みとは無関係なので、「佐藤（さとう）」と「斎藤（さいとう）」の大小は、五十音順と一致するとは限りません。この例では、五十音順なら「さいとう」が先ですが、番号の比較では「佐藤」のほうが小さくなります。顧客名を sorted()（→ 1-03 リストとタプル）でそのまま並べても、五十音順の名簿にはなりません。五十音順に並べたいなら、「フリガナ」の列を持って、それで並べるのが実務の定石です。

プロンプトは文字列である

ここまでの内容を、LLM アプリにつなげます。LLM に送る指示文（プロンプト（prompt））は、ただの文字列です。アプリのコードがやっていることの多くは、「固定の指示文」と「その時々のデータ（顧客の問い合わせ、検索した文書など）」を組み合わせて、1つのプロンプト文字列を作ることです。

f文字列でプロンプトを組み立てる

問い合わせを分類するプロンプトを、三重引用符と f文字列で組み立ててみます。

アプリで実行できるコード

import unicodedata

raw_inquiry = "　ﾍﾝﾋﾟﾝ したいです。注文番号はＯＲＤ－２０２６－０００１２３です。\n"
inquiry = unicodedata.normalize("NFKC", raw_inquiry).strip()

prompt = f"""あなたはECサイトの問い合わせ分類担当です。
次の問い合わせを「返品」「配送」「請求」「その他」のいずれかに分類してください。
出力は {{"category": "分類名"}} の形のJSONだけにしてください。

<inquiry>
{inquiry}
</inquiry>"""

print(prompt)
print("文字数:", len(prompt))

このコードには、この章の内容がいくつも入っています。

① 入力を整える：normalize("NFKC", ...) で全角半角を揃え、strip() で前後の空白と改行を除く。 ② 指示を書く：三重引用符で複数行の指示文を書く。JSON の例の波かっこは {{ }} で書く。 ③ データを埋め込む：{inquiry} に整えた問い合わせを埋め込む。

<inquiry> と </inquiry> で問い合わせを囲んでいるのは、どこからどこまでがデータなのかをモデルに明確に伝えるための区切り（delimiter）です。指示とデータの境目がはっきりすると、モデルは指示を取り違えにくくなります。区切りの使い方は → 6-02 プロンプトエンジニアリング で詳しく学びます。

模擬LLMに送って、返答を整える

組み立てたプロンプトを、アプリ内の模擬LLM（llmsim）に送ってみます。模擬LLMは本物ではなく、「この言葉が含まれていたら、この返答を返す」というルールで動く練習用のモデルです。ここでは、本物のモデルがよくやる「余計な空白や前置きを付けて返す」振る舞いをルールで再現しています。

アプリで実行できるコード

from llmsim import OpenAI, Rules

rules = Rules()
rules.when("ヘンピン", '  分類結果です。\n{"category": "返品"}\n')
rules.otherwise('{"category": "その他"}')
client = OpenAI(responder=rules)   # 模擬モデル

resp = client.chat.completions.create(
    model="sim-small",
    messages=[{"role": "user", "content": prompt}],
)
reply = resp.choices[0].message.content
print(repr(reply))

cleaned = reply.strip()
start = cleaned.find("{")
json_part = cleaned[start:]
print(json_part)
print("返品" in json_part)

モデルの返答 reply は文字列です。前後に空白や改行が付き、「分類結果です。」という前置きまで付いています。「JSONだけにしてください」と指示しても、本物のモデルでもこうしたことは起きます。そこで、strip() で前後を整え、find("{") で JSON の始まりを探し、スライスでそこから後ろを取り出しました。

この「返答を文字列操作で整える」処理は、場当たり的で壊れやすい方法です。前置きの中に { が含まれていたら失敗します。実務では、モデルに出力形式を強制する「構造化出力」と、結果の検証を組み合わせます（→ 6-03 構造化出力）。ただ、その仕組みの土台にあるのも、この章で学んだ文字列の操作です。

複数の文書を1つのプロンプトにまとめる

LLM アプリでは、複数の文字列を1つのプロンプトにまとめる場面もよくあります。たとえば、議事録の要約では発言の一覧を、社内規程の検索（→ 6-07 RAG(1)：検索して答える）では検索で見つかった複数の文書を、プロンプトに並べて入れます。ここで活躍するのが join() です。

アプリで実行できるコード

remarks = [
    "佐藤：来月のキャンペーンは15日開始で進めます。",
    "鈴木：在庫が足りないので、追加発注を今週中に行います。",
    "田中：告知メールの文面は来週月曜までに用意します。",
]
transcript = "\n".join(remarks)
summary_prompt = f"""次の会議の発言録から、決定事項と担当者を箇条書きで抜き出してください。

<transcript>
{transcript}
</transcript>"""
print(summary_prompt)
print("発言数:", len(remarks), "／ 文字数:", len(summary_prompt))

"\n".join(remarks) で、発言を改行でつないで1つの文字列にしています。+ で1つずつ連結するより短く書け、要素の数が変わっても同じコードで動きます。プロンプトの文字数を len() で確認しているのは、長すぎる入力に気づくためです。実際のアプリでは、この数がトークン数の目安になり、料金と速度に直結します。

AIが書いたコードで、この書き方を見たらこう読む

AIが書く文字列処理のコードには、決まった型（パターン）があります。初めて見たときに戸惑わないよう、読み方をまとめます。

text = text.strip().lower()
key = unicodedata.normalize("NFKC", name).replace(" ", "")
header = ",".join(columns)
if "返品" in inquiry:
if line.startswith("#"):
user_id, domain = email.split("@")
msg = "Hello, {}!".format(name)
msg = "Hello, %s!" % name

• text.strip().lower()：メソッドチェーン。左から順に「前後の空白を除いて、小文字にする」。比較用に揃えている。
• normalize("NFKC", name).replace(" ", "")：表記揺れを揃えて、さらに空白を全部除いている。照合用のキーを作っていると読む。元の値は別に残っているかを確認する。
• ",".join(columns)：カンマ区切りの1行を作っている。columns の要素がすべて文字列かを確認する。
• "返品" in inquiry：含まれるかの判定。find() を使っていないので安全。
• line.startswith("#")：コメント行など、先頭の記号で行の種類を見分けている。
• user_id, domain = email.split("@")：分割した結果を2つの変数に同時に受け取る書き方（→ 1-03 リストとタプル の「アンパック」）。@ が1つでないと（0個や2個）エラーになる点に注意する。
• "...{}...".format(name) と "...%s..." % name：f文字列より古い書き方。意味はどちらも「name を埋め込む」。古いコードやライブラリの中で見かけるので、読めれば十分です。新しく書くなら f文字列を使います。

プロンプトを扱うコードでは、textwrap.dedent("""...""") という書き方もよく見かけます。関数の中など、インデント（字下げ）された位置に三重引用符の文字列を書くと、行頭の空白まで文字列の一部になってしまいます。textwrap.dedent() は、全行に共通する行頭の空白を取り除く標準ライブラリの関数です。「コードの見た目を整えたまま、プロンプトから余計な空白を除いている」と読めば十分です。余計な空白は大きな害にはなりませんが、トークンを無駄に消費し、プロンプトのログも読みにくくします。

AIは文字列処理のコードを得意としますが、日本語特有の問題（全角半角、全角スペース、濁点の分解、バイト数の上限）は、指示しないと考慮しないことがよくあります。

次の処理を行う Python のコードを書いてください。標準ライブラリだけを使ってください。

目的：{例：問い合わせ文から注文番号を取り出す}
入力の例（実データの形を模した架空のもの）：
- {例：「　ORD-2026-000123 の件で連絡しました」}
- {例：「注文番号：ＯＲＤ－２０２６－０００１２３」}
- {例：「注文番号が分かりません」}
期待する出力：
- {例："ORD-2026-000123"}
- {例："ORD-2026-000123"}
- {例：None}
注意点：全角半角の揺れ、前後の全角スペース、該当がない場合を考慮してください。
コードの後に、各行が何をしているかを初心者向けに説明してください。

演習

item = "ワイヤレスマウス"
price = 2980
qty = 2

line = f"{item} × {qty} = {price * qty:,}円"

print(line)

order_id = "ORD-2026-000123"

parts = order_id.split("-")
year = parts[1]
seq = int(parts[2])
prefix_ok = order_id.startswith("ORD-")

print(year, seq, prefix_ok)

"　返品したいです。注文番号：ＯＲＤ－２０２６－０００１２３　\n"

import unicodedata

raw = "\u3000返品したいです。注文番号：ＯＲＤ－２０２６－０００１２３\u3000\n"

clean = unicodedata.normalize("NFKC", raw).strip()
is_return = "返品" in clean
pos = clean.find("ORD-")
order_id = clean[pos:pos + 15]

print(repr(clean))
print(is_return, order_id)

email = "  Tanaka.Taro@Example.CO.JP "

normalized = email.strip().lower()
user, domain = normalized.split("@")
masked = f"{user[0]}***@{domain}"

print(masked)

あなたは問い合わせ分類の担当者です。
顧客名: 田中様
次の問い合わせを「返品」「配送」「請求」「その他」に分類し、{"category": "分類名"} の形のJSONだけを出力してください。
<inquiry>
{inquiry の中身}
</inquiry>

import unicodedata

customer = "田中"
raw_inquiry = "　先日注文した商品（ORD－２０２６－０００１２３）がまだ届きません。配送状況を確認したいのですが、追跡番号が分からないので教えていただけますか。急ぎで必要なものです。　"
MAX_CHARS = 60

# ① 入力を整える
clean = unicodedata.normalize("NFKC", raw_inquiry).strip()
inquiry = clean[:MAX_CHARS]
truncated = len(clean) > MAX_CHARS

# ② プロンプトを組み立てる
prompt = f"""あなたは問い合わせ分類の担当者です。
顧客名: {customer}様
次の問い合わせを「返品」「配送」「請求」「その他」に分類し、{{"category": "分類名"}} の形のJSONだけを出力してください。
<inquiry>
{inquiry}
</inquiry>"""

# ③ 確認する
print(prompt)
print("切り詰めた:", truncated)

理解度チェック

s = "ORD-2026-000123"
print(s[4:8])

name = " sato "
name.strip()
print(len(name))

prompt = f"次の文章を要約し、{"summary": "..."} の形で出力してください。\n{text}"

まとめ

• 文字列は "..." または '...' で書く。改行は \n、中身を正確に見るには repr()。複数行は三重引用符 """..."""、バックスラッシュをそのまま使うなら生文字列 r"..."。
• f文字列 f"...{式}..." で値を埋め込む。: の後ろに書式（:, :.2f :.1% :>10 :05d）を書ける。波かっこそのものは {{ }}。書式指定の丸めは表示用で、金額の端数処理には使わない。
• インデックスは0から数え、[-1] は最後の文字。スライス [開始:終了] は終了を含まず、番号は「文字の間の切れ目」と考えると分かりやすい。スライスは範囲外でもエラーにならない。
• 文字列はイミュータブル。メソッドは新しい文字列を返すので、s = s.strip() のように結果を受け取る。
• 主要メソッド：strip、split（引数の有無で動きが違う）、join（区切り文字の側から呼ぶ）、replace、startswith、find（見つからないと -1）、upper / lower。含まれるかの判定は in。
• 日本語の表記揺れは unicodedata.normalize("NFKC", s) で揃える。ただし情報を捨てる変換なので、元の値は残す。濁点の分解は NFC で揃う。
• len() は文字数。UTF-8 では日本語の多くが1文字3バイト。上限の単位（文字数・バイト数・トークン数）を確認する。
• プロンプトは文字列であり、LLM の返答も文字列。入力を整え、区切りで囲んで埋め込み、返答を整える。ユーザー入力はデータとして扱い、プロンプトインジェクションに注意する。

参考資料

いずれも任意です。この章の内容はアプリ内で完結しています。

• Python チュートリアル 3.1.2 文字列型：インデックスとスライスの公式な説明です。
• 組み込み型 文字列メソッド：すべての文字列メソッドの一覧です。知らないメソッドをAIのコードで見かけたら、ここで確認します。
• 書式指定ミニ言語仕様：f文字列の : の後ろに書ける書式の完全な仕様です。
• unicodedata --- Unicode データベース：normalize() の正規化形式（NFC、NFKC など）の説明です。