【浙大版《Python 程序设计》题目集（解）】第7章-1 词频统计（30分）_浙江大学pta答案python第七章

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

解析:

先把非“合法单词”过滤掉，用空格作为间隔，因为不区分大小写，所以要把所有的“合法单词”全都转换为小写并拆分成列表，使用字典去统计列表里的单词，统计完成后使用sorted()函数进行排序，排序规则为把字典的键和值作为一个项，根据值的大小进行降序（key=lambda x: (-x[1], x[0])），最后只需根据条件打印显示出结果就行了

解题:

import sys  # 引用sys模块
 
 
s = sys.stdin.read()  # 读取键盘输入的所有内容，Windows以Ctrl+D结束输入
strs = s[:s.find('#')]  # “以符号#结尾”，截取”#“前面的所有内容
 
for k in set([i for i in strs if i.isalnum() is False and i != '_']):  # isalnum() 方法检测字符串是否由字母和数字组成
    strs = strs.replace(k, ' ')  # 其他字符均认为是单词分隔符  # 把提取出的东西去掉
 
strs = strs.lower().split()  # 全部变小写同时进行拆分
 
counts = dict()  # 创建一个counts字典用于统计保存单词个数
 
# 统计单词数
for i in strs:
    k = i[:15]  # 直接截取，长度小于15的不受影响，大于15的只保留前15个字母
    counts[k] = counts.get(k, 0) + 1  # 统计单词，键不存在则返回 0 加一，存在则返回相应的数值加一
 
# 词频递减的顺序，若有并列，则按递增字典序
ans = sorted(counts.items(), key=lambda x: (-x[1], x[0]))  # items()把字典里的每一项（k：v）当作一个元素，0位上是键，1位上是值，-x[1]表示更具数值降序
# 打印结果
print(len(counts))  # 打印总单词数
for i in ans[:len(ans) // 10]:  # 词频最大的前10%的单词
    print(i[1], i[0], sep=':')  # sep表示前n项元素用sep的值作为间隔

如有更好的建议请评论！！！