【完结】五十元求不分词的词频统计

lxh623

以前求助过，没有彻底解决一般的使用场合所遇到的问题。
不分词的词频统计，这里有一个，我不大会用。https://blog.ailemon.me/2017/02/ ... entation-algorithm/
本论坛有一个，也不会用。http://www.bathome.net/thread-45901-1-1.html，不知道是不是需要关键词。

我的想法是，第一步获取文本相邻n个汉字，得到关键词文本。只在一行内，不涉及转行。遇到标点符号或者英文就跳过。到行尾，没有n个字也跳过。
这样分别得到二字词、三字词、四字词、五字词、六字词、七字词的关键词文本。

第二步，用关键词文本搜索计数，得到词频。
以前这个（9楼）效率特别高，但是，只用于2-3个字的词语。http://www.bathome.net/thread-53489-1-1.html

一个二十五元吧。要是一个批处理解决，一起支付。

想到一个问题，第一步得到关键词文本，没有必要删除重复行、再第二步，直接就利用它来计数，就是词频文本了。

flashercs

不知这个效率怎样 3万行 17秒

<#*,:&cls
@echo off
pushd "%~dp0"
Powershell -NoProfile -ExecutionPolicy RemoteSigned -Command ". ([ScriptBlock]::Create((Get-Content -LiteralPath \"%~0\" -ReadCount 0 | Out-String ))) "
popd
pause
exit /b
#>
$FileList = "源文件.txt"
$FileOut = "词频统计.txt"
function Get-WordCount {
  [CmdletBinding()]
  param (
    [Parameter(Mandatory = $true, Position = 0, ValueFromPipeline = $true, ValueFromPipelineByPropertyName = $true)]
    [AllowEmptyCollection()]
    [AllowEmptyString()]
    [AllowNull()]
    [string[]]$Sentences,
    [Parameter(Mandatory = $false, Position = 1)]
    [ValidateNotNullOrEmpty()]
    [ValidateScript( { $_ -gt 0 })]
    [int[]]$WordLengthList = @(2, 3, 4, 5, 6, 7),
    [Parameter(Mandatory = $false, Position = 2)]
    [switch]$IncludePunctuations
  )
  
  begin {
    $dicWordCount = @{ }
    for ($i = 0; $i -lt $WordLengthList.Count; $i++) {
      $dicWordCount.Add($WordLengthList[$i], (New-Object "System.Collections.Generic.Dictionary[string, int]"))
    }
    # $reWord = New-Object System.Text.RegularExpressions.Regex -ArgumentList @("\w+")
    $reWord = New-Object System.Text.RegularExpressions.Regex -ArgumentList @("[\u4E00-\u9FA5]+")
  }
  
  process {
    foreach ($Sentence in $Sentences) {
      if ($IncludePunctuations) {
        $WordList = , $Sentence
      } else {
        $WordList = $reWord.Matches($Sentence) | ForEach-Object { $_.Value }
      }
      if ($WordList) {
        foreach ($Word in $WordList) {
          foreach ($WordLength in $WordLengthList) {
            $PosTail = $Word.Length - $WordLength
            $dicCtr = $dicWordCount.Item($WordLength)
            for ($i = 0; $i -le $PosTail; $i++) {
              $dicCtr[$Word.SubString($i, $WordLength)]++
            }
          }
        }
      }
    }
  }
  
  end {
    $dicWordCount
  }
}

$dicWordCount = Get-WordCount -Sentences (Get-Content -ReadCount 0 -Path $FileList)
Set-Content -Value (
  $dicWordCount.Keys | Sort-Object | ForEach-Object {
    $dicCtr = $dicWordCount[$_]
    foreach ($key in $dicCtr.Keys) {
      '{0,-10} : {1}' -f $key, $dicCtr[$key]
    }
  }) -LiteralPath $FileOut
复制代码

zaqmlp

@echo off
set info=互助互利,支付宝扫码头像,感谢赞助
rem 有问题,可加QQ956535081及时沟通
title %info%
cd /d "%~dp0"
powershell -NoProfile -ExecutionPolicy bypass ^
    $file1='源文件.txt';^
    $file2='统计结果.txt';^
    $range='2-7';^
    $dic=New-Object 'System.Collections.Generic.Dictionary[string,int]';^
    $text1=[IO.File]::ReadAllLines($file1,[Text.Encoding]::Default);^
    $r=$range.split('-');^
    for($i=0;$i -lt $text1.count;$i++){^
        $line=$text1[$i].trim();^
        if($line -ne ''){^
            $arr=$line -split '[^^\u4E00-\u9FA5]+';^
            for($j=0;$j -lt $arr.length;$j++){^
                for($k=[int]$r[0];$k -le [int]$r[1];$k++){^
                    for($a=0;$a -le ($arr[$j].length-$k);$a++){^
                        $s='';^
                        for($b=$a;$b -lt ($k+$a);$b++){^
                            $s+=$arr[$j][$b];^
                        };^
                        if(-not $dic.ContainsKey($s)){^
                            $dic.add($s,1);^
                        }else{^
                            $dic[$s]++;^
                        };^
                    };^
                };^
            };^
        };^
    };^
    [System.Collections.ArrayList]$result=@();^
    foreach($it in $dic.Keys){^
        if($dic[$it] -ge 2){^
            $t=$it+' '+$dic[$it];^
            write-host $t;^
            [void]$result.add($t);^
        };^
    };^
    [IO.File]::WriteAllLines($file2, $result, [Text.Encoding]::Default);
echo;%info%
pause
复制代码

zaqmlp

回复 4# lxh623

没有计标点符号，只统计汉字

lxh623

回复 2# zaqmlp
我说的跳过是不计入关键词，从标点符号后面重新开始。转行也是，重新开始。
还有一种想法（必要性不大吧！），把中文标点符号当作一个汉字。跳过英文标点符号。
如果改一下，就更加圆满了。谢谢！

lxh623

回复 2# zaqmlp
请查收！谢谢！

zaqmlp

@echo off
set info=互助互利,支付宝扫码头像,感谢赞助
rem 有问题,可加QQ956535081及时沟通
title %info%
cd /d "%~dp0"
powershell -NoProfile -ExecutionPolicy bypass ^
    $file1='源文件.txt';^
    $file2='统计结果.txt';^
    $range='2-7';^
    $dic=New-Object 'System.Collections.Generic.Dictionary[string,int]';^
    $text1=[IO.File]::ReadAllText($file1,[Text.Encoding]::Default);^
    $r=$range.split('-');^
    $m=[regex]::matches($text1, '[\u4E00-\u9FA5]');^
    for($i=[int]$r[0];$i -le [int]$r[1];$i++){^
        for($j=0;$j -le ($m.count-$i);$j++){^
            $s='';^
            for($k=$j;$k -lt ($j+$i);$k++){^
                $s+=$m[$k].groups[0].value;^
            };^
            if(-not $dic.ContainsKey($s)){^
                $dic.add($s,1);^
            }else{^
                $dic[$s]++;^
            };^
        };^
    };^
    [System.Collections.ArrayList]$result=@();^
    foreach($it in $dic.Keys){^
        if($dic[$it] -ge 2){^
            $t=$it+' '+$dic[$it];^
            write-host $t;^
            [void]$result.add($t);^
        };^
    };^
    [IO.File]::WriteAllLines($file2, $result, [Text.Encoding]::Default);
echo;%info%
pause
复制代码