统计英文文本中的词频

　　NLP的文本分类过程中，大多会统计文章的词频，这是分类的重要依据之一。词频是由一个pair组成的，word是key

frequece是value。用什么方法统计最好，当然是map。用vector，list也可以实现，但是它们基于关键字的检索效率没有

map高，map一般是用rb-Tree实现的，查找效率是O(log(n))，list，vector都是线性的，查找复杂度是O(n)。

　　先上代码。

 

header

#ifndef _WORD_FREQUENCE_
#define _WORD_FREQUENCE_
#include < map >
#include < iostream >
#include < string >
using std::map;
class WordFrequence{
public :
WordFrequence(): file_name_(NULL){}
WordFrequence( char * file_name): file_name_(file_name){
LoadFromFile();
ReplaceSymbol();
parse();
}
private :
char * file_name_;
char * text;
map < std:: string , int > word_frequence_map_;
void parse();
void ReplaceSymbol();
void LoadFromFile();
bool IsWhiteChar( const char chr);
friend std::ostream & operator << (std::ostream & os, const WordFrequence & wf);
};
#endif

 

 

 

 

cpp

#include " word_frequence.h "
#include < string >
#include < iostream >
#include < fstream >
#include < map >

const char * symbols = " ~!@#$%^&*()_+-=[]\\{}|:\ " ; ' ,./<>?";
const int MAX_SIZE = 100000 ;

bool WordFrequence::IsWhiteChar( const char chr){
switch (chr){
case ' \t ' :
case ' \r ' :
case ' \n ' :
case ' ' :
case ' \0 ' :
return true ;
default :
return false ;
}
}

void WordFrequence::LoadFromFile(){
std::ifstream is (file_name_, std::fstream:: in );
if ( ! is )
std::cerr << " error: can't open file: " << " [ " << file_name_ << " ] " << std::endl;
text = new char [MAX_SIZE];
is .read(text, MAX_SIZE);
}

void WordFrequence::parse(){
word_frequence_map_.clear();
int index = 0 ;
int count = strlen(text);
std:: string str;
while (index < count){
for ( int i = index; i <= count; ++ i){
if (IsWhiteChar(text[i])){
int len = i - index + 1 ;
char * p = new char [len];
memcpy(p, text + index, i - index);
p[len - 1 ] = ' \0 ' ;
str = p;
++ word_frequence_map_[str];
index = i + 1 ;
while (IsWhiteChar(text[index]))
++ index;
break ;
}
}
}
}

void WordFrequence::ReplaceSymbol(){
int j = 0 ;
while ( * (text + j) != ' \0 ' ){
for ( int i = 0 ; i < strlen(symbols); ++ i){
if ( * (text + j) == symbols[i])
* (text + j) = ' ' ;
}
j ++ ;
}
}

std::ostream & operator << (std::ostream & os, const WordFrequence & wf){
os << " word\t\tfrequence " << std::endl;
os << " ----------------------- " << std::endl;
std::map < std:: string , int > ::const_iterator i_begin = wf.word_frequence_map_.begin();
std::map < std:: string , int > ::const_iterator i_end = wf.word_frequence_map_.end();
while (i_begin != i_end){
os << "" << i_begin -> first << " \t\t " << i_begin -> second << "" << std::endl;
++ i_begin;
}
return os;
}

 

 

 

 

#include < iostream >
#include " word_frequence.h "
using namespace std;

int main( int argc, char * argv[])
{
WordFrequence wf( " d:\\test.txt " );
return 0 ;
}

 

 

 

 

　　实现的方式很简单，首先把从文件里load出text，然后去掉里面的符号，最后扫描一遍文件，遇着单词就塞到map

里面.

++word_freq_map["word"];

这句话太好用了。一句话实现插入map，如果有就增加value，如果没有就插入。

 

　　这个程序简单训练了一下map容器的使用方法，也用到文件的读取。注意ostream open以后一定要判断open

成功了没有。ostream有几种读取方式，有格式化的>>读取，也有getline这种一行读取的，也有getchar这种一个字符

读一次的。也有read这种一次读一大段二进制的。读的时候一定要对文件内容有先验知识。

　　如果一次读的数据量很大，建议read来读取，效率很高，用循环读取可能效率很低。

转载于:https://www.cnblogs.com/lovelyxia/archive/2010/12/25/1916921.html