7-2 词频统计 (25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<bits/stdc++.h>
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;
}