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

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <cctype>
#include <vector>
#include <map>
using namespace std;
bool cmp(pair<string, int> a, pair<string, int> b) {
if(a.second != b.second) return a.second > b.second;
else return a.first < b.first;
}
vector<pair<string, int> > v;
map<string, int> m;
int main(){
char str[100];
string word;
map<string, int>::iterator it;
int start = 0;
char ch;
while(ch = getchar()) {
if(ch >= 'a' && ch <= 'z' || ch >= 'A' && ch <= 'Z' || ch >= '0' && ch <= '9' || ch == '_') {
if(ch >= 'A' && ch <= 'Z') ch = ch - 'A' + 'a';
str[start++] = ch;
}
else if(start > 0) {
if(start >= 15) start = 15;
str[start] = 0;
start = 0;
word = str;
it = m.find(word);
if(it != m.end()) {
(it->second)++;
}
else {
m[word] = 1;
}
}
if(ch == '#') break;
}
for(it = m.begin(); it != m.end(); it++) {
v.push_back(make_pair(it->first, it->second));
}
sort(v.begin(), v.end(), cmp);
vector<pair<string, int> > :: iterator itv;
cout << v.size() << endl;
int ans = v.size() / 10;
for(itv = v.begin(); itv != v.begin() + ans; itv++) {
cout << itv->second << ':' << itv->first << endl;
}
return 0;

}

转载于:https://www.cnblogs.com/linguiquan/p/9050017.html