7-35 词频统计 （30 分）

7-35 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

题意：略；

题解：水题，看代码吧，代码里有解释。

 

#include <iostream>
#include <algorithm>
#include <map>
#include <vector>
using namespace std;
typedef pair<string,int> pa;
map<string,int> mp;
vector<pa> v;
bool cmp(pa x,pa y){//map排序，记住就好
	if(x.second==y.second) return x.first < y.first;
	else return x.second > y.second;
}
int main(){
	string s;
	while(cin >> s){
		string w="";
		for (int i = 0; i < s.size();i++){//大写换成小写，因为题目说不区分大小写
			if(s[i]>='A'&&s[i]<='Z') s[i]=s[i]-'A'+'a';
		}
		for (int i = 0; i < s.size();i++){
			if(s[i]>='a'&&s[i]<='z'||s[i]>='0'&&s[i]<='9'||s[i]=='_') w+=s[i];
			else {//看是否有分隔符
				if(w.size()>15){//看是否大于15
					string r="";
					for (int j = 0; j < 15;j++) r+=w[j];
					mp[r]++;
				}
				else if(w!="") mp[w]++;//注意w是空不能作为一个字符串
				w="";
			}
		}
		if(w.size()>15){//看是否大于15
			string r="";
			for (int j = 0; j < 15;j++) r+=w[j];
			mp[r]++;
		}
		else if(w!="") mp[w]++;//注意w是空不能作为一个字符串
		if(s[s.size()-1]=='#') break;
	}
	int x=mp.size()*0.1;
	cout << mp.size() << endl;
	map<string,int>::iterator it;
	for (it=mp.begin();it!=mp.end();it++) v.push_back(*it);
	sort(v.begin(),v.end(),cmp);//按题目里说的排序
	for (int i = 0; i < x;i++){
		cout << v[i].second << ":" << v[i].first << endl;
	}
	return 0;
}