На первом месте – "О", она встречается в русскоязычных текстах чаще, чем 14 самых редких букв в сумме! Самая распространённая согласная – "Н", что для меня было неожиданно. А мягкий знак далеко не такой редкий, как я думал – он встречается чаще, чем целых 15 букв
На последнем месте грустит "Ё". Её нещадно вытесняет из письменности "Е", чтобы удержать своё второе место
Если вы читаете достаточно длинный текст, то его 50% составляют всего 7 букв!
Я лет в 10-12 сам считал, брал разные по количеству символов тексты из разных источников, результаты были примерно такими же, также искал наиболее частые для русского языка сочетания символов. Был под впечатлением произведения "Золотой жук" Эдгара По, выводил закономерности) К слову потом поражал всех тем, что простые шифры, где один символ соответсвует одной букве алфавита щелкал как семечки. Эх, давно это было
При составлении азбуки Морзе тоже вручную считали частоты букв из книг, если я правильно помню :)
Интересно. А как проверяется соответствие буквы? Ну, чтобы увеличить счетчик конкретной буквы/сочетания, нужно проверить текст текущего проверяемого символа на совпадение с заданным. По буквам если еще ладно, но сочетаний-то больше тысячи. Как это оптимально делается?
>> больше тысячи
Конкретно: 1056, но это с учётом всяких странных типа "ЬЬ" и "ЪЪ"
Берётся динамический ассоциативный пустой массив, при каждом нахождении новой пары ему выдаётся новый ключ с именем этой пары и туда пишется +1, потом при новом нахождении - ещё +1 и так до упора. В конце отсортировываем массив по значениям. Все 1056 комбинаций вряд ли попадутся, я вообще ставлю на то, что будет не больше 800 в каком-нибудь "обычном" тексте, не специально подогнанном
Точно также: берётся «окошко» длиной в два символа и постепенно проезжает по словам. Смотрим, какие 2 символа сейчас в окошке и увеличиваем их счётчик на единицу
Тысяча – это немного для компьютера :)
Не, как именно проезжает-то? Есть какая-то сильно оптимизированная функция сравнения строки с каждым элементом массива, или как дела обстоят?
Тут не нужно слишком много оптимизировать, в любом случае понадобится линейное время от количества символов. И это неплохо: сортировать слова пришлось бы дольше
Сами строки, конечно, сравниваются не полностью. Например, если первый символ строк не совпадает, то дальше проверять нет смысла - понятно, что они не равны. Благодаря этому считать длинные подстроки будет даже быстрее, чем единичные символы
