使用 awk 统计字母频率

3AAA

编写一个 awk 脚本来找到一组单词中出现次数最多（和最少）的单词。

近一段时间，我开始编写一个小游戏，在这个小游戏里，玩家使用一个个字母块来组成单词。编写这个游戏之前，我需要先知道常见英文单词中每个字母的使用频率，这样一来，我就可以找到一组更有用的字母块。字母频次统计在很多地方都有相关讨论，包括在 维基百科上，但我还是想要自己来实现。

Linux 系统在 /usr/share/dict/words文件中提供了一个单词列表，所以我已经有了一个现成的单词列表。然而，尽管这个words文件包含了很多我想要的单词，却也包含了一些我不想要的。我想要的单词首先不能是复合词（即不包含连接符和空格的单词），也不能是专有名词（即不包含大写字母单词）。为了得到这个结果，我可以运行grep命令来取出只由小写字母组成的行：
$ grep  '^[a-z]*$' /usr/share/dict/words
这个正则表达式的作用是让 grep去匹配仅包含小写字母的行。表达式中的字符^和$分别代表了这一行的开始和结束。[a-z]分组仅匹配从 “a” 到 “z” 的小写字母。

下面是一个输出示例：
$ grep  '^[a-z]*$' /usr/share/dict/words | headaaaaaaaahaahedaahingaahsaalaaliiaaliis
没错，这些都是合法的单词。比如，“aahed” 是 “aah” 的过去式，表示在放松时的感叹，而 “aalii” 是一种浓密的热带灌木。

现在我只需要编写一个 gawk脚本来统计出单词中各个字母出现的次数，然后打印出每个字母的相对频率。

字母计数


一种使用 gawk来统计字母个数的方式是，遍历每行输入中的每一个字符，然后对 “a” 到 “z” 之间的每个字母进行计数。substr函数会返回一个给定长度的子串，它可以只包含一个字符，也可以是更长的字符串。比如，下面的示例代码能够取到输入中的每一个字符c：
{    len = length($0); for (i = 1; i
如果使用一个全局字符串变量 LETTERS来存储字母表，我就可以借助index函数来找到某个字符在字母表中的位置。我将扩展gawk代码示例，让它在输入数据中只取范围在 “a” 到 “z” 的字母：
BEGIN { LETTERS = "abcdefghijklmnopqrstuvwxyz" } {    len = length($0); for (i = 1; i
需要注意的是，index函数将返回字母在LETTERS字符串中首次出现的位置，第一个位置返回 1，如果没有找到则返回 0。如果我有一个大小为 26 的数组，我就可以利用这个数组来统计每个字母出现的次数。我将在下面的示例代码中添加这个功能，每当一个字母出现在输入中，我就让它对应的数组元素值增加 1（使用++）：
BEGIN { LETTERS = "abcdefghijklmnopqrstuvwxyz" } {    len = length($0); for (i = 1; i

打印相对频率


当 gawk脚本统计完所有的字母后，我希望它能输出每个字母的频率。毕竟，我对输入中各个字母的个数没有兴趣，我更关心它们的相对频率。

我将先统计字母 “a” 的个数，然后把它和剩余 “b” 到 “z” 字母的个数比较：
END {    min = count[1]; for (ltr = 2; ltr
在循环的最后，变量 min会等于最少的出现次数，我可以把它为基准，为字母的个数设定一个参照值，然后计算打印出每个字母的相对频率。比如，如果出现次数最少的字母是 “q”，那么min就会等于 “q” 的出现次数。

接下来，我会遍历每个字母，打印出它和它的相对频率。我通过把每个字母的个数都除以 min的方式来计算出它的相对频率，这意味着出现次数最少的字母的相对频率是 1。如果另一个字母出现的次数恰好是最少次数的两倍，那么这个字母的相对频率就是 2。我只关心整数，所以 2.1 和 2.9 对我来说是一样的（都是 2）。
END {    min = count[1]; for (ltr = 2; ltr

最后的完整程序


现在，我已经有了一个能够统计输入中各个字母的相对频率的 gawk脚本：
#!/usr/bin/gawk -f # 只统计 a-z 的字符，忽略 A-Z 和其他的字符 BEGIN { LETTERS = "abcdefghijklmnopqrstuvwxyz" } {    len = length($0); for (i = 1; i
我将把这段程序保存到名为 letter-freq.awk的文件中，这样一来，我就可以在命令行中更方便地使用它。

如果你愿意的话，你也可以使用 chmod +x命令把这个文件设为可独立执行。第一行中的#!/usr/bin/gawk -f表示 Linux 会使用/usr/bin/gawk把这个文件当作一个脚本来运行。由于gawk命令行使用-f来指定它要运行的脚本文件名，你需要在末尾加上-f。如此一来，当你在 shell 中执行letter-freq.awk，它会被解释为/usr/bin/gawk -f letter-freq.awk。

接下来我将用几个简单的输入来测试这个脚本。比如，如果我给我的 gawk脚本输入整个字母表，每个字母的相对频率都应该是 1：
$ echo abcdefghijklmnopqrstuvwxyz | gawk -f letter-freq.awka 1b 1c 1d 1e 1f 1g 1h 1i 1j 1k 1l 1m 1n 1o 1p 1q 1r 1s 1t 1u 1v 1w 1x 1y 1z 1
还是使用上述例子，只不过这次我在输入中添加了一个字母 “e”，此时的输出结果中，“e” 的相对频率会是 2，而其他字母的相对频率仍然会是 1：
$ echo abcdeefghijklmnopqrstuvwxyz | gawk -f letter-freq.awka 1b 1c 1d 1e 2f 1g 1h 1i 1j 1k 1l 1m 1n 1o 1p 1q 1r 1s 1t 1u 1v 1w 1x 1y 1z 1
现在我可以跨出最大的一步了！我将使用 grep命令和/usr/share/dict/words文件，统计所有仅由小写字母组成的单词中，各个字母的相对使用频率：
$ grep  '^[a-z]*$' /usr/share/dict/words | gawk -f letter-freq.awka 53b 12c 28d 21e 72f 7g 15h 17i 58j 1k 5l 36m 19n 47o 47p 21q 1r 46s 48t 44u 25v 6w 4x 1y 13z 2
在 /usr/share/dict/words文件的所有小写单词中，字母 “j”、“q” 和 “x” 出现的相对频率最低，字母 “z” 也使用得很少。不出意料，字母 “e” 是使用频率最高的。

via: https://opensource.com/article/21/4/gawk-letter-game

作者：Jim Hall选题：lujun9972译者：lkxed校对：wxy

本文由 LCTT原创编译，Linux中国荣誉推出