Question

我有一个这样的文件：

This is a file with many words.
Some of the words appear more than once.
Some of the words only appear one time.

我想生成一个两列列表。第一列显示出现的单词，第二列显示出现的频率，例如：

this@1
is@1
a@1
file@1
with@1
many@1
words3
some@2
of@2
the@2
only@1
appear@2
more@1
than@1
one@1
once@1
time@1

为了使这项工作更简单，在处理列表之前，我将删除所有标点符号，并将所有文本更改为小写字母。
除非有简单的解决方案，words和word可以算作两个单独的词。

到目前为止，我有这个：

sed -i "s/ /\n/g" ./file1.txt # put all words on a new line
while read line
do
     count="$(grep -c $line file1.txt)"
     echo $line"@"$count >> file2.txt # add word and frequency to file
done < ./file1.txt
sort -u -d # remove duplicate lines

出于某种原因，这只是在每个单词后面显示“0”。

如何生成文件中出现的每个单词的列表以及频率信息？

Answer 1

不是sed和grep，而是tr，sort，uniq和awk：

% (tr ' ' '\n' | sort | uniq -c | awk '{print $2"@"$1}') <<EOF
This is a file with many words.
Some of the words appear more than once.
Some of the words only appear one time.
EOF

a@1
appear@2
file@1
is@1
many@1
more@1
of@2
once.@1
one@1
only@1
Some@2
than@1
the@2
This@1
time.@1
with@1
words@2
words.@1

Answer 2

uniq -c 已经做了你想做的事，只需对输入进行排序：

echo 'a s d s d a s d s a a d d s a s d d s a' | tr ' ' '\n' | sort | uniq -c

输出：

  6 a
  7 d
  7 s

Answer 3

输入文件的内容

$ cat inputFile.txt
This is a file with many words.
Some of the words appear more than once.
Some of the words only appear one time.

使用sed | sort | uniq

$ sed 's/\.//g;s/\(.*\)/\L\1/;s/\ /\n/g' inputFile.txt | sort | uniq -c
      1 a
      2 appear
      1 file
      1 is
      1 many
      1 more
      2 of
      1 once
      1 one
      1 only
      2 some
      1 than
      2 the
      1 this
      1 time
      1 with
      3 words

uniq -ic将计算并忽略大小写，但结果列表将包含This而不是this。

Answer 4

让我们使用AWK！

此功能按降序列出所提供文件中出现的每个单词的频率：

function wordfrequency() {
  awk '
     BEGIN { FS="[^a-zA-Z]+" } {
         for (i=1; i<=NF; i++) {
             word = tolower($i)
             words[word]++
         }
     }
     END {
         for (w in words)
              printf("%3d %s\n", words[w], w)
     } ' | sort -rn
}

您可以在文件中调用它：

$ cat your_file.txt | wordfrequency

来源：AWK-ward Ruby

Answer 5

这可能对您有用：

tr '[:upper:]' '[:lower:]' <file |
tr -d '[:punct:]' |
tr -s ' ' '\n' | 
sort |
uniq -c |
sed 's/ *\([0-9]*\) \(.*\)/\2@\1/'

Answer 6

让我们在Python 3中做到这一点！

"""Counts the frequency of each word in the given text; words are defined as
entities separated by whitespaces; punctuations and other symbols are ignored;
case-insensitive; input can be passed through stdin or through a file specified
as an argument; prints highest frequency words first"""

# Case-insensitive
# Ignore punctuations `~!@#$%^&*()_-+={}[]\|:;"'<>,.?/

import sys

# Find if input is being given through stdin or from a file
lines = None
if len(sys.argv) == 1:
    lines = sys.stdin
else:
    lines = open(sys.argv[1])

D = {}
for line in lines:
    for word in line.split():
        word = ''.join(list(filter(
            lambda ch: ch not in "`~!@#$%^&*()_-+={}[]\\|:;\"'<>,.?/",
            word)))
        word = word.lower()
        if word in D:
            D[word] += 1
        else:
            D[word] = 1

for word in sorted(D, key=D.get, reverse=True):
    print(word + ' ' + str(D[word]))

让我们将此脚本命名为“frequency.py”，并在“〜/ .bash_aliases”中添加一行：

alias freq="python3 /path/to/frequency.py"

现在要查找文件“content.txt”中的频率词，您可以：

freq content.txt

您也可以输出到它：

cat content.txt | freq

甚至分析来自多个文件的文本：

cat content.txt story.txt article.txt | freq

如果您使用的是Python 2，请替换

''.join(list(filter(args...)))与filter(args...)
python3与python
print(whatever)与print whatever

Answer 7

排序需要GNU AWK（gawk）。如果您有另一个没有asort()的AWK，可以轻松调整，然后通过管道传送到sort。

awk '{gsub(/\./, ""); for (i = 1; i <= NF; i++) {w = tolower($i); count[w]++; words[w] = w}} END {qty = asort(words); for (w = 1; w <= qty; w++) print words[w] "@" count[words[w]]}' inputfile

分成多行：

awk '{
    gsub(/\./, ""); 
    for (i = 1; i <= NF; i++) {
        w = tolower($i); 
        count[w]++; 
        words[w] = w
    }
} 
END {
    qty = asort(words); 
    for (w = 1; w <= qty; w++)
        print words[w] "@" count[words[w]]
}' inputfile

Answer 8

您可以使用tr来运行

tr ' ' '\12' <NAME_OF_FILE| sort | uniq -c | sort -nr > result.txt

城市名称文本文件的示例输出：

3026 Toronto
2006 Montréal
1117 Edmonton
1048 Calgary
905 Ottawa
724 Winnipeg
673 Vancouver
495 Brampton
489 Mississauga
482 London
467 Hamilton

Answer 9

如果我的file.txt中包含以下文本。

This is line number one
This is Line Number Tow
this is Line Number tow

我可以使用以下cmd找到每个单词的频率。

 cat file.txt | tr ' ' '\n' | sort | uniq -c

输出：

  3 is
  1 line
  2 Line
  1 number
  2 Number
  1 one
  1 this
  2 This
  1 tow
  1 Tow

Answer 10

这是一个更复杂的任务。我们至少需要将以下内容纳入帐户：

去除标点符号；天空与天空不同。还是天空？
地球与地球不同，上帝与上帝不同，月亮与月亮不同，但 The 和 the 被认为是相同的。因此，是否将单词小写是值得怀疑的。
我们必须考虑 BOM 字符

$ file the-king-james-bible.txt 
the-king-james-bible.txt: UTF-8 Unicode (with BOM) text

BOM 是文件中的第一个元字符。如果不删除，可能会错误地影响一个词。

以下是使用 AWK 的解决方案。

    {  

        if (NR == 1) { 
            sub(/^\xef\xbb\xbf/,"")
        }

        gsub(/[,;!()*:?.]*/, "")
    
        for (i = 1; i <= NF; i++) {
    
            if ($i ~ /^[0-9]/) { 
                continue
            }
    
            w = $i
            words[w]++
        }
    } 
    
    END {
    
        for (idx in words) {
    
            print idx, words[idx]
        }
    }

它删除了 BOM 字符并替换了标点符号。它确实不要小写单词。此外，由于该程序用于计算圣经的字数，因此会跳过所有经文（带有 continue 的 if 条件）。

$ awk -f word_freq.awk the-king-james-bible.txt > bible_words.txt

我们运行程序并将输出写入文件。

$ sort -nr -k 2 bible_words.txt | head
the 62103
and 38848
of 34478
to 13400
And 12846
that 12576
in 12331
shall 9760
he 9665
unto 8942

使用 sort 和 head，我们可以找到圣经中出现频率最高的十个词。

Answer 11

#!/usr/bin/env bash

declare -A map 
words="$1"

[[ -f $1 ]] || { echo "usage: $(basename $0 wordfile)"; exit 1 ;}

while read line; do 
  for word in $line; do 
    ((map[$word]++))
  done; 
done < <(cat $words )

for key in ${!map[@]}; do 
  echo "the word $key appears ${map[$key]} times"
done|sort -nr -k5

Answer 12

  awk '{ 
       BEGIN{word[""]=0;}
    {
    for (el =1 ; el <= NF ; ++el) {word[$el]++ }
    }
 END {
 for (i in word) {
        if (i !="") 
           {
              print word[i],i;
           }
                 }
 }' file.txt | sort -nr

如何创建文件中每个单词的频率列表？

12 个答案:

让我们使用AWK！