浙大PTA 第7章-1 词频统计 (30 分)

最新推荐文章于 2025-06-02 17:11:01 发布

转载最新推荐文章于 2025-06-02 17:11:01 发布 · 1.9k 阅读

2 ·

CC 4.0 BY-SA版权

原文链接：https://pintia.cn/problem-sets/1111652100718116864/problems/1163036357031092224

本文介绍了一个程序设计任务，该任务旨在统计一段英文文本中不同单词的数量及词频最高的前10%单词。文章详细说明了输入输出格式，并通过一个示例展示了如何处理文本数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

请编写程序，对一段英文文本，统计其中所有不同单词的个数，以及词频最大的前10%的单词。

所谓“单词”，是指由不超过80个单词字符组成的连续字符串，但长度超过15的单词将只截取保留前15个单词字符。而合法的“单词字符”为大小写字母、数字和下划线，其它字符均认为是单词分隔符。

输入格式:

输入给出一段非空文本，最后以符号#结尾。输入保证存在至少10个不同的单词。

输出格式:

在第一行中输出文本中所有不同单词的个数。注意“单词”不区分英文大小写，例如“PAT”和“pat”被认为是同一个单词。

随后按照词频递减的顺序，按照词频:单词的格式输出词频最大的前10%的单词。若有并列，则按递增字典序输出。

输入样例：

This is a test.

The word "this" is the word with the highest frequency.

Longlonglonglongword should be cut off, so is considered as the same as longlonglonglonee.  But this_8 is different than this, and this, and this...#
this line should be ignored.

输出样例：（注意：虽然单词`the`也出现了4次，但因为我们只要输出前10%（即23个单词中的前2个）单词，而按照字母序，`the`排第3位，所以不输出。）

23
5:this
4:is

题解：

s=''
while True:
    a=input()
    if s and s[-1]=='#':
        break
    else:
        s+=a
s=s[:s.find('#')]
# print(s)
li = list(s)
for i in range(len(li)):
    if not li[i].isalnum() and li[i]!='_':
        li[i]=' '
li1=''.join(li).split()
dic={}
for i in li1:
    if len(i)>15:
        i=i[:15]
    if i.lower() not in dic:
        dic[i.lower()]=1
    else:
        dic[i.lower()]+=1
print(len(dic))
dic={'this': 5, 'is': 4, 'a': 1, 'test': 1, 'the': 4, 'word': 2, 'with': 1, 'highest': 1, 'frequency': 1, 'longlonglonglon': 2, 'should': 1, 'be': 1, 'cut': 1, 'off': 1, 'so': 1, 'considered': 1, 'as': 2, 'same': 1, 'but': 1, 'this_8': 1, 'different': 1, 'than': 1, 'and': 2} 
li2=sorted(dic.items(),key=lambda x:-x[1])
# print(li2,len(dic)//10)
for i in range(len(dic)//10):
    print(f'{li2[i][1]}:{li2[i][0]}')