第7章-1 词频统计 (30 分)

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

题目集全集传送门

import sys


def getText():
    txt = sys.stdin.read()
    txt = txt[:txt.find('#')]  # 以符号'#'结尾
    txt = txt.lower()  # 全部变为小写
    for ch in txt:
        if ch.isalnum() == False and ch != '_':
            txt = txt.replace(ch, ' ')  # 其他字符均认为是单词分隔符
    return txt


hamletTxt = getText()
words = hamletTxt.split()
counts = {}
for word in words:
    if len(word) > 15:
        word = word[:15]  # 截取前15个单词字符
    counts[word] = counts.get(word, 0) + 1  # 如果word不在counts中，就新增一个键值对，并且赋其值为0，否则其值加1
items = list(counts.items())
items.sort(key=lambda x: (-x[1], x[0]))  # lambda用来指定在列表中用哪几个多元选项的列作为排序列。按照词频递减的顺序，若有并列，则按递增字典序
print(len(items))  # 输出不同的单词个数
for i in range(int(len(items) * 0.1)):  # 输出词频最大的前10%
    word, count = items[i]
    print(f"{count}:{word}")