第11章 案例研究：文字統計

計算並列印有關文字檔案內容的統計資料：包含多少個字元、行和單詞，以及出現最多的10個單詞，並依此排列出。

#先定義一個規整文字字元的函式
def normalize(s):
    keep={'a','b','c','d','e','f','g','h','i','j','k','l',
          'm','n','o','p','q','r','s','t','u','v','w','x',
          'y','z',' ','-',"'"}
    result=""
    for c in s.lower():
        if
 
 c in keep:
            result+=c
    return result

#接受一個字串s並生成一個字典，該字典的鍵為s中的單詞，值為對應單詞出現的次數
def make_freq_dict(s):
    s=normalize(s)
    words=s.split()
    d={}
    for w in words:
        if w in d:
            d[w]+=1
        else:
            d[w]=1
    return d

def print_file_stats(fname):
    s=open(fname,'r'
 
).read()
    #在規整字串前先統計字元數量
    num_chars=len(s)
    #在規整字串前先統計行數
    num_lines=s.count('\n')

    d=make_freq_dict(s)
    #統計單詞數量
    num_words=sum(d[w] for w in d)

    #建立一個列表，元素為單詞及對應出現次陣列成的元組
    lst=[(d[w],w) for w in d]
    lst.sort()
    lst.reverse()
    num_words0=len(normalize(s).split())



    print("The file '%s' has: "
 
% fname)
    print("%s characters"% num_chars)
    print("%s lines"% num_lines)
    print("%s words"% num_words)
    print("%s words"% num_words0)
    print("\nThe top 10 most frequent words are:")
    i=1
    for count,word in lst[:10]:
        print("%2d. %2s %s"%(i,count,word))
        i+=1

print_file_stats("3.txt")

練習：
1、修改函式printfilestats,使其也列印檔案中不同單詞總數。

#這裡只需要通過求字典長度即可得知不同單詞總數
print("There are %s different words."% len(d))

2、修改函式printfilestats,使其也列印檔案中單詞平均長度。

#計算單詞平均長度
    m=0
    for w in d:
        m+=len(w)*d[w]
    average_length=m/num_words

3、罕用語是指檔案中只出現過一次的單詞，修改函式，列印罕用語總數。

#計算罕用語數量
    n=0
    for w in d:
        if d[w]==1:
            n+=1

4、一般文章裡出現頻率較高的都是如the、a、and這些功能詞。可以建立一個排除詞集合（stop_words），可以在其中設定單詞。並在統計資料時，將該集合內的單詞排除在外。

#建立一個排除詞集合
stop_words={"the","a","i","of","is","in"}
#接受一個字串s並生成一個字典，該字典的鍵為s中的單詞，並且不在排除集合中
#值為對應單詞出現的次數
def make_freq_dict1(s):
    d0=make_freq_dict(s)
    d={}
    for w in d0:
        if w in stop_words:
            continue
        else:
            e={w:d0[w]}
            d.update(e)
    return d

5、函式printfilestats將一個檔名作為輸入，並且將整個檔案讀入字串中，當檔案非常大時，會佔用大量記憶體資源。請編寫一個新的函式，逐行讀取輸入檔案。

#先定義一個規整文字字元的函式
def normalize(s):
    keep={'a','b','c','d','e','f','g','h','i','j','k','l',
          'm','n','o','p','q','r','s','t','u','v','w','x',
          'y','z',' ','-',"'"}
    result=""
    for c in s.lower():
        if c in keep:
            result+=c
    return result

#採用逐行讀取的方式統計
def print_file_stats(fname):
    f=open(fname,'r')
    #先定義並初始化統計資料
    num_chars=0
    num_words=0
    num_lines=0

    #逐行統計
    for line in f:
        num_chars+=len(line)
        num_words+=len(normalize(line).split())
        d=make_freq_dict(line,d)
        num_lines+=1

    print("The file '%s' has: "% fname)
    print("%s characters"% num_chars)
    print("%s lines"% num_lines)
    print("%s words"% num_words)
print_file_stats("3.txt")