Unix中如何统计指定词组出现次数并比较最大值？

嗨，这个问题我之前也碰到过！单个单词的统计逻辑确实没法直接用来算连续词组的出现次数——毕竟你要的是a b这种连续出现的固定搭配，不是a和b各自出现次数的总和（毕竟a后面可能跟着别的词，不是b呀）。

为什么不能用单单词统计求和？ #

举个简单例子：如果文件内容是"a x b a b"，单单词统计会得到a出现2次、b出现2次，加起来4次，但实际a b只出现了1次，完全对不上。所以求和的思路根本不准确，别浪费时间啦～

更合适的替代代码（Python示例） #

直接统计连续的单词二元组才是正确的思路，这里给你写个实用的版本：

from collections import defaultdict

# 初始化统计字典，默认值为0
phrase_counts = defaultdict(int)

# 读取目标文件
with open('simple.txt', 'r') as f:
    # 把文件内容按空格分割成单词列表
    words = f.read().split()
    # 遍历生成所有连续的单词对
    for i in range(len(words) - 1):
        # 拼接成词组
        current_phrase = f"{words[i]} {words[i+1]}"
        phrase_counts[current_phrase] += 1

# 查看目标词组的次数
target1 = 'a b'
target2 = 'c d'
count1 = phrase_counts.get(target1, 0)
count2 = phrase_counts.get(target2, 0)

print(f"词组 '{target1}' 出现了 {count1} 次")
print(f"词组 '{target2}' 出现了 {count2} 次")

# 比较结果
if count1 > count2:
    print(f"结论：'{target1}' 出现次数更多")
elif count1 < count2:
    print(f"结论：'{target2}' 出现次数更多")
else:
    print("结论：两个词组出现次数相同")

进阶优化：处理标点和大小写 #

如果你的文件里有标点（比如"a b,"）或者大小写差异（比如"A B"和"a b"），可以加一点预处理，确保统计更准确：

import string
from collections import defaultdict

phrase_counts = defaultdict(int)

with open('simple.txt', 'r') as f:
    # 转成小写，消除大小写差异
    text = f.read().lower()
    # 去掉所有标点符号
    text = text.translate(str.maketrans('', '', string.punctuation))
    words = text.split()
    
    for i in range(len(words) - 1):
        current_phrase = f"{words[i]} {words[i+1]}"
        phrase_counts[current_phrase] += 1

# 后续统计逻辑和上面一致
count1 = phrase_counts.get('a b', 0)
count2 = phrase_counts.get('c d', 0)
# ...（省略重复的打印和比较代码）

运行方法很简单：把代码存成count_phrases.py，和simple.txt放在同一个文件夹里，执行python count_phrases.py就能看到结果啦。

内容的提问来源于stack exchange，提问作者Parth Parikh