PTA词频统计

作者 DS课程组

单位 浙江大学

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

思路：

切割开每一个字符串，然后统计和排序。

方法：

先预处理，然后用string流切割，最后排序一下就结束。

AC代码：

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
#define endl "\n"

const ll N = 1e4+7;
string s;
map<string,ll>mp;

struct node{
	ll x;
	string str;
}v[N];

bool cmp(node a,node b){//排序规则 
	if(a.x != b.x)
		return a.x > b.x;
	return a.str < b.str;
}

void solve(){
	ll x=0;
	while(getline(cin,s)){
		if(s[s.size()-1] == '#')x=1,s[s.size()-1]=' ';//看有没有结束 
		for(ll i = 0 ; i < s.size() ; i ++)//把不要的字符变成' ',把字符小写 
			!isalnum(s[i]) && s[i] != '_' ? s[i]=' ' : s[i]=tolower(s[i]);
		stringstream ss(s);//字符流 
		while(ss >> s)//用substr截取前15个字符 
			s.size() <= 15 ? mp[s]++ : mp[s.substr(0,15)]++;
		if(x)break;//判断结束 
	}
	for(auto i : mp)//从第一个点开始存方便最后输出 
		v[x].str = i.first,v[x].x = i.second,x++;
	sort(v+1,v+x+1,cmp);//排序 
	cout << x-1 << endl;//从1开始,所以要减1 
	ll len=x/10;//需要输出的字符串个数 
	for(ll i = 1 ; i <= len ; i ++)//输出 
		cout << v[i].x << ":" << v[i].str << endl;
	return;
}

int main(){
	ll t=1;//cin >> t;
	while(t --)solve();
	return 0;
}