关于英文文章分词排序的问题
来源:互联网 发布:淘宝新店有什么扶持 编辑:程序博客网 时间:2024/04/26 07:31
1、题目要求
写一个程序,分析一个文本文件中各个词出现的频率,并且把频率最高的10个词打印出来。文本文件大约是
30KB~300KB大小。
2、思路
数据结构:map,vector,pair主要涉及方法:统计和排序
排序方法:Topk,
先统计各个单词的个数,建立一个以单词--次数的map。
建立一个vector,每次从map表里取一个单词,依次和vector里的元素作对比,小于最小的就淘汰,大于某个元素就将其放入这个元素之前,淘汰vector最后的元素。维持10个元素的大小
最后输出这10个vector中的单词。就是最大频率的十个。
第一次的代码如下:
#include <iostream>#include <vector>#include <string>#include <map>#include <utility>#include <fstream>#include <algorithm>#include <cctype>using namespace std;//去除多余符号char m[100] = {' ','"','.','!',',','-','?',':'};void trimString(std::string & str,char a[],int n){ int i = 0; while(i < n){ int s = str.find_first_not_of(a[i]); int e = str.find_last_not_of(a[i]); str = str.substr(s,e-s+1); i++; } return;}int cmp(const pair<string,int>& a,const pair<string,int>& b){ return a.second > b.second;}map<string, int> word;int main(){ fstream f1; f1.open("1.txt",ios::in); string i; while(f1.eof() == 0){ // cout<<f1.eof(); if(f1.eof() == 0){ f1>>i; } trimString(i,m,8);//删除多余字符 transform(i.begin(), i.end(), i.begin(), (int (*)(int))tolower);//小写转换 map<string, int>::iterator it = word.find(i); if(it == word.end()) { word.insert(map <string, int>::value_type(i,1)); }else{ word[i] ++; } } f1.close(); vector<pair<string,int> > vct; for(map<string, int>::iterator item = word.begin() ; item != word.end() ; ++item){ vct.push_back(make_pair(item->first, item->second)); } sort(vct.begin(),vct.end(),cmp); for(int n = 0; n < 10; n++){ cout<<vct[n].first<<":"<<vct[n].second<<endl; } return 0;}
代码问题:没有进行过滤,而且对“—”这个字符没有办法过滤,会出现溢出错误。
修改代码如下:
#include <iostream>#include <vector>#include <string>#include <map>#include <utility>#include <fstream>#include <algorithm>#include <cctype>using namespace std;//去除多余符号vector<string> delect = {"the","a","and","to","of","he","i","you","his","him","in","on","as","it","was","not"};char m[100] = { ' ', '"', '.', '!', ',', '-', '?', ':', '\f', '\v' };void trimString(std::string& str, char a[], int n){int i = 0;while (i < n){int s = str.find_first_not_of(a[i]);int e = str.find_last_not_of(a[i]);str = str.substr(s, e - s + 1);i++;}return;}bool find(std::vector<string> a, const std::string b){std::vector<string>::iterator item = a.begin();for (; item != a.end(); ++item){if (*(item) == b){return true;}}return false;}int cmp(const pair<string, int>& a, const pair<string, int>& b){return a.second > b.second;}map<string, int> word;int main(){fstream f1;f1.open("f:/1.txt", ios::in);string i;while (f1.eof() == 0){// cout<<f1.eof();if (f1.eof() == 0){f1 >> i;}trimString(i, m, 10);//删除多余字符transform(i.begin(), i.end(), i.begin(), (int(*)(int))tolower);//小写转换map<string, int>::iterator it = word.find(i);if (it == word.end()) {word.insert(map <string, int>::value_type(i, 1));}else{word[i] ++;}}f1.close();vector<pair<string, int> > vct;for (map<string, int>::iterator item = word.begin(); item != word.end(); ++item){if (!find(delect, item->first)){vct.push_back(make_pair(item->first, item->second));}}sort(vct.begin(), vct.end(), cmp);for (int n = 0; n < 10; n++){cout << vct[n].first << ":" << vct[n].second << endl;}return 0;}
运行截图:
修改后的性能分析:
热函数分析:
很明显,字符过滤函数的时间占用过于长了,如果文本是纯英文格式的话,时间复杂度可以下降百分之五十,但是如果字符编码的问题和多余符号依然存在的话,这个函数就是必不可少的。
心得:
估计了一下,因为这里使用的hash表,我使用了STL的Map,没用hash_map。查找的时间复杂度大约是对数级的,没有达到理想的常数级(这里存疑,不一定hash_map比map好,毕竟处理地址冲突的内存损耗大)。而且因为使用了vector排序,创建vector的代价也不少。但是,从分析来看,问题并不在这里,重要的问题是字符过滤那里。我的想法是不使用过滤,而是使用按字符删除的方式,但是论坛的人说时间复杂度实际差不多,所以没改。
0 0
- 关于英文文章分词排序的问题
- 关于分词的问题
- 一个文章排序的问题
- 推荐一篇关于磁盘操作的文章. (英文)
- 关于java文本编辑器注解的英文文章----很好
- 关于ubuntu英文版的字体问题
- 一个简单的英文分词程序
- 英文分词的算法和原理
- 英文分词的算法和原理
- 英文分词的算法和原理
- 关于排序的问题
- 关于排序的问题
- 关于快速排序的好文章
- 解决一个mysql关于按文章以及评论的最早时间的排序问题
- 关于Lucene.net中文分词后的结果着色问题
- 关于ElasticSearch 5.X分词器的问题
- 关于中文分词的一元分词讨论
- 关于中文分词的一元分词讨论
- HLJUOJ1117(暴力模拟)
- 一知半解之 jstl流程控制标签
- ip字符串转换为 二进制整数
- sfewfesfs/sfewfesfsh 坑爹的病毒
- QT资源文件
- 关于英文文章分词排序的问题
- 浅析动态内存分配及Malloc/free的实现
- 蓝牙系列之BlueDroid与MTK代码分布
- 编程珠玑第三正课后题
- Android开发环境搭建(一)
- Remote Server Administration Tools windows
- Google Android官方培训课程中文版(v0.4)----2.6.1. 保存到Preference 代码
- 鸡兔同笼
- pycharm版本控制和数据库管理