7-2 词频统计

7-2 词频统计 (50分)

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

代码

#include
using namespace std;
bool cmp(pair<string, int> a, pair <string, int> b);
int main(){
	
	char ch;
	string s;
	map<string,int> mp;
	do{
		ch = getchar();
		if ((ch >= 'a'&&ch <= 'z') || (ch >= 'A'&&ch <= 'Z') || (ch >= '0'&&ch <= '9') || ch == '_') {
			if (s.size() <= 14) {	
				if (ch >= 'A'&&ch <= 'Z') {		
					ch += 32;
				}
				s += ch;	
			}
		}
		else {		
			if (s.size() > 0) {
				if(!mp.count(s)){
					mp[s]=1;
				}else{
					mp[s]++;
				}
			}
			s.clear();		
		}
		if (ch == '#') {	
			break;
		}
	}while(ch!='#');
	vector<pair<string,int> > v(mp.begin(),mp.end());
	sort(v.begin(),v.end(),cmp);
	cout<<v.size()<<endl;
	int cnt=(int)(v.size()*0.1);
	for(int i=0;i<cnt;i++){
		cout<<v[i].second<<":"<<v[i].first<<endl;
	}
	return 0;	
}

bool cmp(pair<string, int> a, pair <string, int> b){
	bool result=false;
	if(a.second==b.second&&a.first<b.first){
		result=true;
	}
	if(a.second>b.second){
		result=true;
	}
	return result;
}