PTA5-11 基于词频的文件相似度

5-11 基于词频的文件相似度 (30分)

实现一种简单原始的文件相似度计算，即以两文件的公共词汇占总词汇的比例来定义相似度。为简化问题，这里不考虑中文（因为分词太难了），只考虑长度不小于3、且不超过10的英文单词，长度超过10的只考虑前10个字母。

输入格式:

输入首先给出正整数NN（\le 100≤100），为文件总数。随后按以下格式给出每个文件的内容：首先给出文件正文，最后在一行中只给出一个字符#，表示文件结束。在NN个文件内容结束之后，给出查询总数MM（\le 10^4≤10 
​4 
​​ ），随后MM行，每行给出一对文件编号，其间以空格分隔。这里假设文件按给出的顺序从1到NN编号。

输出格式:

针对每一条查询，在一行中输出两文件的相似度，即两文件的公共词汇量占两文件总词汇量的百分比，精确到小数点后1位。注意这里的一个“单词”只包括仅由英文字母组成的、长度不小于3、且不超过10的英文单词，长度超过10的只考虑前10个字母。单词间以任何非英文字母隔开。另外，大小写不同的同一单词被认为是相同的单词，例如“You”和“you”是同一个单词。

输入样例:

3 
Aaa Bbb Ccc 
# 
Bbb Ccc Ddd 
# 
Aaa2 ccc Eee 
is at Ddd@Fff 
# 
2 
1 2 
1 3 
输出样例:

50.0% 
33.3%

---

一开始没有仔细看题，心想stringstream分割一下单词即可。但是处理不了Ddd@Fff 

单词间以任何非英文字母隔开-> 任何非字母都表明一个单词结束了

#include<iostream>
#include<string>
#include<sstream>
#include<set>
#include<cstdio>
#include<iomanip>
using namespace std;
const int N=110;
int n;
set<string>s[N];
void store()
{
    for(int i=1;i<=n;++i)
    {
        string str="";
        while(true)
        {
            char c=getchar();
            if(c=='#') break;
            else if(isalpha(c))
            {
                if(c>='A'&&c<='Z')
                   c=c+32;
                str+=c;
            }
            else                                //不是字符一个单词就结束了，要考虑是否要进入set了
            {
                if(str.size()>=3)
                {
                    if(str.size()>10)
                        str=str.substr(0,10);
                    s[i].insert(str);
                }
                str="";                         //不管进不进set，都必须清空，开始记录下一个单词s
            }

        }
    }
}

void output()
{
    for(int i=1;i<=n;++i)
    {
        set<string>::iterator it;
        for(it=s[i].begin();it!=s[i].end();++it)
        {
            cout<<*it<<endl;

        }
        cout<<endl;
    }
}
int main()
{
    cin>>n;
    scanf("\n");
    store();
    //output();

    int m;
    cin>>m;
    for(int i=1;i<=m;++i)
    {
        int a,b;
        int sa,sb;
        cin>>a>>b;
        sa=s[a].size();
        sb=s[b].size();
        set<string>::iterator it;
        int same=0;
            for(it=s[b].begin();it!=s[b].end();++it)
                if(s[a].count(*it)!=0)
                same++;

        //cout<<sa<<' '<<sb<<' '<<same<<endl;
        double ans=100.0*same/(sa+sb-same);
        cout<<fixed<<setprecision(1)<<ans<<'%'<<endl;
    }

    return 0;

}

https://blog.csdn.net/qq_41231926/article/details/84918684?tdsourcetag=s_pcqq_aiomsg

参考了该博主的代码，并改了一下下数据结构，更简洁一点点