JavaScriptでテキスト内の出現回数上位3つの単語を抽出する方法

課題

英語のアルファベット文字列を引数として受け取るJavaScript関数を作成します。この関数は、文字列内に含まれる単語のうち、出現回数が多い上位3つの単語を返す必要があります。

解決のアプローチ

実装の手順は以下の通りです。

1. 正規表現を使って記号やアンダースコアなどの不要な文字を除去し、連続する空白を1つにまとめます。
2. 文字列をすべて小文字に変換してから、スペース区切りで配列に分割します。
3. オブジェクト(マップ)を使って各単語の出現回数をカウントします。
4. 出現回数の降順にソートし、上位3つの単語を返します。

コード例

以下が実際のコードです。

const str = 'Python was developed by Guido van Rossum in the late eighties and early nineties at the National Research Institute for Mathematics and Computer Science in the Netherlands. Python is derived from many other languages, including ABC, Modula-3, C, C++, Algol-68, SmallTalk, and Unix shell and other scripting languages. Python is copyrighted. Python source code is now available under the GNU General Public License (GPL)';

const findTopThree = (str = '') => {
  str = str
    .replace(/[^\w\s]|_/g, "")
    .replace(/\s+/g, " ")
    .toLowerCase();
  const arr = str.split(' ');
  const map = {};
  arr.forEach(word => {
    map[word] = (map[word] || 0) + 1;
  });
  const res = Array.from(Object.keys(map), key => [key, map[key]]);
  res.sort((a, b) => b[1] - a[1]);
  return [res[0][0], res[1][0], res[2][0]];
};

console.log(findTopThree(str));

コードの解説

まず、replace()メソッドと正規表現/[^\w\s]|_/gにより、英数字・空白以外の文字(句読点など)を削除しています。続いて/\s+/gで連続する空白を1つのスペースに置き換え、toLowerCase()で大文字小文字の違いを吸収します。

その後、split(' ')で単語ごとの配列を作成し、forEachループ内でオブジェクトmapに各単語の出現回数を記録していきます。最後にObject.keys()とArray.from()で「単語と出現回数」のペア配列を作り、出現回数の降順(b[1] - a[1])にソートして、先頭の3要素を返しています。

出力結果

コンソールには次のように表示されます。

["python","the","and"]

この例文では「python」が4回、「the」が複数回、「and」も複数回出現しているため、これらの3つの単語が上位として検出されました。