字符频率统计器

字符频率统计是文本分析的原子操作：扫描全文，为每个字符计数，再除以总数得占比。它之所以重要，是因为自然语言的字母分布高度不均匀且稳定：英文中 e 约 12.7%、t 约 9.1%、a 约 8.2%，z 只有 0.07%——这张「指纹表」就是破解凯撒密码、维吉尼亚密码的钥匙（密文里频率最高的字符大概率对应 e）。中文的指纹则是「的」一骑绝尘（约 4%），「了」「是」紧随其后。

现代应用远超密码学：输入法词频排序的底层是字频语料；压缩算法（霍夫曼编码）按频率分配码长——e 给短码、z 给长码，平均码长逼近信息熵；语言识别（这段文本是英文还是德文）比对频率向量即可粗判；作者风格分析（《联邦党人文集》作者考证）用词频函数词做贝叶斯推断。本工具输出全字符频率表，并标注字符类型（汉字/字母/数字/空白/标点），可按需切换是否区分大小写。

频率统计的算法核心是先建立字符到计数的映射（哈希表），再按计数降序排序。对海量文本，可用「流式单遍统计」：边读边累加，不把全文驻留内存；对超大规模语料则引入抽样或近似计数（如 Count-Min Sketch）。统计时需明确计数粒度：按「字符」还是按「词」，是否区分大小写、是否排除空白与标点、中文是否按单字或按词切分——这些口径直接决定结果含义，也是 NLP 预处理的第一步。

频率分布本身携带丰富的语言学与信号学信息：英文的字母频率曲线呈典型的「长尾」形态，可用来做语言识别、文本分类特征，甚至逼近信源熵而不确定度；压缩算法的目标正是把概率分布尽量逼近均匀来减小平均码长。在检索场景，字符/词频还与 TF-IDF（词频-逆文档频率）直接相关——高频「的/的/the」这类停用词要剔除，真正有区分度的是「中频词」。开发者可用本计算器对任意文本做单词频统计、显示 top N 高频字符/词与占比，辅助分析文本集中度、查重或命名提词，统计结果按原始输入即时生成。