C++ 第37题：单词词频统计器实现（基于 unordered_map 与降序排行榜提取）

题目

编写程序，从一段英文长文本中解析出所有单词（忽略标点与大小写归一化），利用 std::unordered_map<std::string, int> 在 O(N) 时间内高效统计每个词汇出现的频次；随后将键值对提取转移至 std::vector<std::pair<std::string, int>> 中，使用 std::sort 结合 Lambda 表达式按词频降序（词频相同时按字典序升序）输出 Top-K 热词榜单。

输入格式：无需外部输入（内置英文测试文本）。

输出格式：输出单词词频统计排行榜 Top 5。

数据范围与约定：字符串清洗、哈希聚合与二次排序。

思路与算法

1. 哈希表的极速聚合
unordered_map[word]++ 能够在常数级均摊时间内直接完成“未见则插入初始化为 1，已见则累加”的逻辑，是词频统计的核心利器。

2. 无序哈希表无法直接排序
unordered_map 本身是无序的，且不支持直接使用 std::sort（其迭代器非随机访问）。必须先将元素倾倒（Dump）到 vector 中才能进行灵活的多维度排序。

3. 标点过滤状态机
遍历字符时，连续的 std::isalpha 累加构词，一旦遇到分隔符且当前词非空，则完成一个词的提纯收尾。

完整程序

#include <iostream>
#include <string>
#include <vector>
#include <unordered_map>
#include <algorithm>
#include <cctype>

int main() {
    std::string text = "C++ is fast, very fast! Modern C++ provides high-level abstractions, and C++ performance is unbeatable.";

    std::unordered_map<std::string, int> freqMap;
    std::string currentWord;

    // 1. 字符清洗与分词聚合
    for (char ch : text) {
        if (std::isalnum(static_cast<unsigned char>(ch)) || ch == '+') {
            currentWord += std::tolower(static_cast<unsigned char>(ch));
        } else {
            if (!currentWord.empty()) {
                freqMap[currentWord]++;
                currentWord.clear();
            }
        }
    }
    if (!currentWord.empty()) {
        freqMap[currentWord]++;
    }

    // 2. 转储到 vector 进行排序
    std::vector<std::pair<std::string, int>> wordList(freqMap.begin(), freqMap.end());

    // 3. 排序策略：频次降序；若频次相同，按单词字典序升序
    std::sort(wordList.begin(), wordList.end(), [](const auto& a, const auto& b) {
        if (a.second != b.second) {
            return a.second > b.second; // 频次高的排前面
        }
        return a.first < b.first;       // 字典序小的排前面
    });

    std::cout << "--- 文本词频统计排行榜 Top 5 ---\n";
    size_t topK = std::min(size_t(5), wordList.size());
    for (size_t i = 0; i < topK; ++i) {
        std::cout << "第 " << i + 1 << " 名: [\"" << wordList[i].first 
                  << "\"] 出现频次: " << wordList[i].second << " 次\n";
    }

    return 0;
}

运行示例

输出：

--- 文本词频统计排行榜 Top 5 ---
第 1 名: ["c++"] 出现频次: 3 次
第 2 名: ["fast"] 出现频次: 2 次
第 3 名: ["is"] 出现频次: 2 次
第 4 名: ["abstractions"] 出现频次: 1 次
第 5 名: ["and"] 出现频次: 1 次