Мне нужен цикл, который может находить букву, которой чаще всего заканчиваются слова на нескольких языках, и выводить данные в столбцах. Пока у меня есть

 count="./wordlist/french/fr.txt ./wordlist/spanish/es.txt ./wordlist/german/de.$
lang="French Spanish German Portuguese Italian"
(
echo -e "Language Letter Count"
for i in $count
do
    (for j in {a..z}
        do
            echo -e "LANG" $j $(grep -c $j> $i)
        done
    ) | sort -k3 -rn | head -1
done
) | column -t  

Я хочу, чтобы она выводилась, как показано:

 
Language  Letter  Count
French     e       196195
Spanish    a       357193
German     e       251892
Portuguese a       217178
Italian    a       216125
  

Вместо этого я получаю:

 
Language  Letter  Count
LANG      z       0
LANG      z       0
LANG      z       0
LANG      z       0
LANG      z       0
  

Файлы слов имеют формат:
Word Freq(#) где слово и его частота разделены пробелом.

Это означает, что у меня есть 2 проблемы; Во-первых, grep команда не обрабатывает аргумент $j> , чтобы найти символ в конце слова. Я пробовал использовать grep -E $j> и grep '$j>' , но ни то, ни другое не сработало.

Вторая проблема заключается в том, что я не знаю, как вывести название языка (в переменной lang ). Вложение другого for цикла не сработало, когда я попробовал это так (или с i и k в обратном порядке):

 
(
for i in $count
do
    for k in $lang
    do
        for j in {a..z}
        do
             echo -e $k $j $(grep -c $j> $i)
        done
        ) | sort -k3 -rn | head -1
done
done
) | column -t
  

Поскольку это выводит кратные названия языка « $k » в местах, где ему не принадлежит.

Я знаю, что могу просто скопировать и вставить цикл для каждого языка, но я хотел бы распространить это на каждый язык. Заранее спасибо!

grep границы слов

Чтобы заставить специальные разделители (например, > для окончания слова) работать с egrep при вызове из командной строки, вы должны поместить их в " кавычки " .

  count=$(egrep -c "${char}>" "${file}")
  

Кстати, вам действительно следует использовать двойные кавычки ( " ), потому что одинарные кавычки предотвратят расширение переменной. (например, в j="foo"; k='$j>' первый символ k значения будет $ вместо f )

Отображение названия языка

Получение правильной языковой строки немного сложнее; вот несколько предложений:

• Выводите отображаемый язык из пути к списку слов:

   lang=${file%/*}
  lang=${lang##*/}
    

  С помощью bash (хотя и не с помощью dash и некоторых других оболочек) вы могли бы даже сделать lang=${lang^} заглавную строку.

• Найдите правильное название языка в словаре. Bash-4 имеет встроенные словари, но вы также можете использовать файлы dicts:

   $ cat languagues.txt
  ./wordlist/french/fr.txt Français 
  ./wordlist/english/en.txt English
  ./wordlist/german/de.txt Deutsch
  
  $ file=./wordlist/french/fr.txt
  $ lang=$(egrep "^${file}/>" languages.txt | awk '{print $2}')
    

• Вы также можете выполнять итерации по file,lang парам, например

   languages="french/fr,French spanish/es,Español german/de,Deutsch"
  for l in $languages; do
     file=./wordlist/${l%,*}.txt
     lang=${l#*,}
     # ...
  done
    

Принимая во внимание частоты слов

Третья проблема, которую я вижу (хотя я могу неправильно понять проблему), заключается в том, что вы не принимаете во внимание частоту слов. например, слово A, которое используется в 1000 раз чаще, чем слово B, будет учитываться только один раз (точно так же, как B).

Вы можете использовать awk для суммирования частот совпадающих слов:

 count=$(egrep "${char}>" "${file}" | awk '{s =$2} END {print s}')
  

Теперь все вместе

Таким образом, полное решение проблемы может выглядеть как:

 languages="french/fr,French spanish/es,Español german/de,Deutsch"

(
echo -e "Language Letter Count"
for l in ${languages}; do
  file=./wordlist/${l%,*}.txt
  lang=${l#*,}

  for char in {a..z}; do
     #count=$(egrep -c "${char}>" "${file}")
     count=$(egrep "${char}>" "${file}" | awk '{s =$2} END {print s}')
     echo ${file} ${char} ${count}
  done | sort -k3 -rn | head -1
done
) | column -t