我想计算文件中单词的频率,其中单词是一行一行的。该文件非常大,因此这可能是问题所在(在本例中共有 300k 行)。
我执行这个命令:
cat .temp_occ | uniq -c | sort -k1,1nr -k2 > distribution.txt
问题是它给了我一个小错误:它认为相同的单词是不同的。
例如,第一个条目是:
306 continua
278 apertura
211 eventi
189 murah
182 giochi
167 giochi
with giochi
如您所见,重复两次。
在文件的底部,情况变得更糟,如下所示:
1 win
1 win
1 win
1 win
1 win
1 win
1 win
1 win
1 win
1 winchester
1 wind
1 wind
对于所有的话。
我究竟做错了什么?
首先尝试排序:
cat .temp_occ | sort| uniq -c | sort -k1,1nr -k2 > distribution.txt
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)