案例二十基于词表的词频统计.ppt

第1页 共36页,案例二十 基于词表的词频统计,本案例知识要点 链表的使用 文件操作 哈希表的使用 快速排序法 类的设计和使用,第2页 共36页,一、案例需求,案例描述 词频统计就是统计一个句子或一篇文章中各种词出现的频率，它是中文信息处理的一项基本技术，在很多领域中都有重要的应用。例如在中文搜索引擎（如Google、百度）中，除特别常用的词以外，一篇文章中出现频率较高的词通常能反映这篇文章的主题，因此可以使用词频来对中文文章进行归类。本案例实现按词表对文章中的词语进行分析，并按字典序给出词表中各词语在文章中出现的次数。 案例效果图 本案例需要一个待统计文本文件，如图所示。,第3页 共36页,待统计文本文件,第4页 共36页,本案例需一个词表文件，如图所示。,词表文件内容,第5页 共36页,本案例最终统计出每个词在文本中出现的次数。运行效果如图所示。,运行效果,第6页 共36页,本案例最终统计出的结果保存在文件out.txt中。效果如图所示。,out.txt文件,第7页 共36页,功能说明 （1）本案例需要一个文本和一个词表，统计出每个词在文本中出现的次数。统计的原则包括以下两种： 交集型。例如“内存在涨价”，需要统计“内存”和“存在”两个词各一次（假设这两个词都在词表中）。 组合型。例如“中美关系在发展”，需要统计“中美”、“关系”和“中美关系”（假设这3个词都在词表中）。,第8页 共36页,文本和词表的格式如下： 文本是一个长句，句中只包含汉字，不包含数字、标点、空格、回车以及其他任何特殊符号。文本规模小于或等于50 000汉字。 词表的规模小于或等于100 000个词，所有词不重复，词在27个汉字之间，每个词占一行。 实现基于词表的词频统计，从磁盘中读取词表和文本，将词频统计结果输出到磁盘中，输出结果要求按字典序排序，并计算出程序运行时间。,第9页 共36页,二、案例分析,根据需要构造一个哈希表类，在类中实现如下操作： （1）建立哈希表，将词表在内存中存储起来，这个存储的过程就是类的构造函数。案例中的词表是数量较大的词组，词与词之间用空格隔开。因此可用文件流函数getline来实现。每次调用getline函数便得到一个存有词的字符串，然后将字符串按照某种散列函数插入到哈希表中，一直到词表全部存储为止。 （2）统计词频。从词表中读取文本文件，存储在一个字符串中，因为每个汉字存储在两字节中，所以词在414字节之间，用char word15即可表示一个词。考虑到词频统计的交集性和组合性原则，可将在文本字符串中的每个汉字与其后的汉字分别组成27个汉字的词，在词表中进行搜索，每被搜到一次，将统计次数加1。循环直到文本末尾。,第10页 共36页,（3）哈希函数（散列函数）的实现。用char word15存储的词得到一个关键字，然后除以某个素数，得到的余数为散列地址。由于数据较多，要高速完成搜索，散列到每个相同地址的元素要尽量少，因此素数要很大，关键字的范围也要很大而且不重叠。 （4）按字符的字典序排序输出。哈希表是乱序存储的，因此可先遍历哈希表，将所有词频大于0的词存入数组中，用快速排序法对这个数组中的元素进行排序。,第11页 共36页,三、案例设计,1类的设计 根据案例分析，需要设计出两个结构体NODE和TABLE，同时还需要设计一个类SYMBOLTABLE。其中，结构体NODE是哈希桶（哈希桶即哈希表中各个同地址值的元素构成的链表）中节点的数据结构，TABLE是哈希表的结构，SYMBOLTABLE类提供了诸如哈希函数、查找词汇、遍历哈希表、将词汇插入哈希表中、快速排序等功能。,第12页 共36页,第13页 共36页,第14页 共36页,第15页 共36页,第16页 共36页,第17页 共36页,2主程序设计 在主函数中声明了一个SYMBOLTABLE类的对象，依次调用哈希表类的构造函数、统计函数、输出函数即可。另外，为了记录程序的运行时间，包含了time头文件，调用clock函数，能精确到毫秒。主程序有详细的注释，清晰易懂，流程图略。,第18页 共36页,第19页 共36页,第20页 共36页,第21页 共36页,第22页 共36页,第23页 共36页,第24页 共36页,第25页 共36页,第26页 共36页,第27页 共36页,第28页 共36页,第29页 共36页,第30页 共36页,第31页 共36页,第32页 共36页,第33页 共36页,第34页 共36页,第35页 共36页,第36页 共36页,第37页 共36页,五、案例总结与提高,案例总结 本案例类的设计并不复杂，但是要求读者除了具备C+基本知识和简单的数据结构知识以外，还要求读者掌握文件流、哈希表、快速排序、算法设计、主函数接口等诸多知识点，否则案例理解起来比较困难。本案例用到的许多知识点在数据结构教材中都有很详细的讲述，读者可以查找相关书籍熟悉这些知识，对照程序来理解掌握这些知识，逐步提升程序设计水平。,第