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
正确答案
import sys
s = sys.stdin.read()
s = s[:s.index('#')]
for k in set([i for i in s if (not i.isalnum()) and (i != '_')]):
s = s.replace(k,' ')
l = s.lower().split()
d = {}
for i in l:
if len(i) > 15:
i = i[:15]
if i not in d:
d[i] = 1
else:
d[i] += 1
d = sorted(d.items(),key=lambda x:(-x[1],x[0]))
print(len(d))
for i in d[:len(d)//10]:
print(i[1],i[0],sep=':')