关于单词统计的问题

要求：

第0步：输出某个英文文本文件中 26 字母出现的频率，由高到低排列，并显示字母出现的百分比，精确到小数点后面两位。

　　 字母频率 = 这个字母出现的次数 / （所有A-Z，a-z字母出现的总数） 如果两个字母出现的频率一样，那么就按照字典序排列。

　　 如果 S 和 T 出现频率都是 10.21%， 那么， S 要排在T 的前面。

第1步：输出单个文件中的前 N 个最常出现的英语单词。

　　作用：一个用于统计文本文件中的英语单词出现频率。

　　单词：以英文字母开头，由英文字母和字母数字符号组成的字符串视为一个单词。单词以分隔符分割且不区分大小写。在输出时，所有单词都用小写字符表示。 英文字母：A-Z，a-z 字母数字符号：

　　　　　A-Z，a-z，0-9　　

　　分割符：空格,非字母数字符号 例：good123是一个单词，123good不是一个单词。good，Good和GOOD是同一个单词。　　

　　功能1：输出文件中所有不重复的单词，按照出现次数由多到少排列，出现次数同样多的，以字典序排列。

　　功能2： 指定文件目录，对目录下每一个文件执行统计的操作。 

　　功能3：指定文件目录，是会递归遍历目录下的所有子目录的文件进行统计单词的功能。

　　功能4：输出出现次数最多的前 n 个单词。

第2步：第二步: 支持 stop words

　　在一本小说里， 频率出现最高的单词一般都是 "a", "it", "the", "and", "this", 这些词， 可以做一个 stop word 文件 （停词表）， 在统计词汇的时候，跳过这些词。 我们把这个文件叫 "stopwords.txt" 　　file.

第3步: 想看看常用的短语是什么

　　 先定义短语："两个或多个英语单词， 它们之间只有空格分隔". 请看下面的例子： 　　hello world //这是一个短语 　　hello, world //这不是一个短语

第4步：把动词形态都统一之后再计数。

　　想找到常用的单词和短语，但是发现英语动词经常有时态和语态的变化，导致同一个词，同一个短语却被认为是不同的。 怎么解决这个问题呢？ 假设我们有这样一个文本文件，这个文件的每一行都

　　是这样构成： 动词原型 动词变形1 动词变形2... ，词之间用空格分开。 e.g. 动词 TAKE 有下面的各种变形：take takes took taken taking 我们希望在实现上面的各种功能的时候，有一个选项， 就

　　是把动词的各种变形都归为它的原型来统计。 功能 支持动词形态的归一化。

转载于:https://www.cnblogs.com/leity/p/11008176.html