n-gram串频统计
题目描述
在文本分析中常用到n-gram串频统计方法,即,统计相邻的n 个单元(如单词、汉字、或者字符)在整个文本中出现的频率。假设有一个字符串,请以字符为单位按n-gram 统计长度为 n 的子串出现的频度,并输出最高频度以及频度最高的子串。设定所给的字符串不多于500个字符,且 1 < n <5。 如果有多个子串频度最高,则根据其在序列中第一次出现的次序输出多个,每行输出一个,如果最高频度不大于1,则输出 NO
例如,n=3,所给的串是:abcdefabcd,
则,所有的 3-gram是:abc,bcd,cde,def,efa,fab,abc,bcd。最后面的cd不足以形成3-gram,则不考虑。这样,abc 和 bcd 都出现了2次,其余的只出现了1次,于是,输出结果应该是:
2
abc
bcd
关于输入
第一行为n
第二行为字符串
关于输出
输出最高频度以及频度最高的所有子串。
例子输入
3 abcdefabcd
例子输出
2 abc bcd
解题分析
本题是一个统计计数的问题,考虑到这一点,我们可以使用unordered_map即哈希表来加快处理速度,此外使用了substr函数来操作。
代码实现
#include <iostream>
#include <string>
#include <unordered_map>
using namespace std;
int main() {
int n;
cin >> n;
cin.ignore();
string s;
getline(cin, s);
unordered_map<string, int> frequency_map; // 创建一个存储子串频率的哈希映射
int max_frequency = 0; // 用于跟踪最大频率
// 遍历字符串 s 中的所有可能子串
for (int i = 0; i <= s.size() - n; i++) {
string sub = s.substr(i, n); // 提取当前子串
frequency_map[sub]++; // 增加当前子串在哈希映射中的频率
// 如果当前子串的频率大于最大频率,更新最大频率
if (frequency_map[sub] > max_frequency) {
max_frequency = frequency_map[sub];
}
}
// 如果最大频率小于等于1,输出 "NO",否则输出最大频率
if (max_frequency <= 1) {
cout << "NO" << endl;
return 0;
} else {
cout << max_frequency << endl;
}
// 再次遍历字符串 s,输出所有具有最大频率的子串
for (int i = 0; i <= s.size() - n; i++) {
string sub = s.substr(i, n);
if (frequency_map[sub] == max_frequency) {
cout << sub << endl;
frequency_map[sub] = 0; // 将已输出的子串的频率设为0,以避免重复输出
}
}
return 0;
}