字母频率

✍ dations ◷ 2025-12-11 17:29:55 #密码学,语言学,语言学术语,计量语言学

字母频率(frequency of letters; character frequencies),指的是各个字母在文本材料中出现的频率。常被应用于密码学,尤其是可破解古典密码的频率分析。在英语中最常见的字母是e。而在铅字印刷时代,人们已根据经验在Linotype排字机上将字母按常用与否排列成etaoin shrdlu(英语:ETAOIN SHRDLU) cmfwyp vbgkjq xz 。还有,摩斯电码中越常用的字母,其编码符号就越短;而发出各字母的用时由快到慢顺序是e it san hurdm wgvlfbk opjxcz yq。数据压缩技术中也有相似的方法,如霍夫曼编码就是按来源符号出现的机率大小去编码。

有分析显示字母频率就像词频(英语:word frequencies),不同作者或写作主题的作品中往往各不相同。当为x射线(x-rays)撰文时,文章中就会有大量的字母X。而撰写用x射线治疗卡塔尔(Qatar)的斑马(zebras)时,一般很少出现的字母X、Q和Z就会充斥文中。可从作者的字母使用频率中看出他的某些写作习惯。例如,海明威的写作风格明显不同于福克纳。字母、双字母组、三字母组(英语:trigram)、单词频率、单词长度和句子长度,这些都可以经统计后用以证明或反驳某一作品是某作者所写,甚至待鉴别作品与作者的写作风格相近也可用这一方法。

只能靠分析大量有代表性的文本才可得出准确的字母平均频率,而借由现代计算机和庞大的文本语料库,很容易完成这样的统计工作。又聋又瞎网(Deafandblind)列出了各种文本材料(新闻报告、宗教文本、科学文本和一般小说)的字母频率顺序,其中在一般小说类里,字母“h”与“i”的排位差异尤甚,由Linotype排字机的“etaoin shrdlu”变成了“etaohn isrdlu”。

赫伯特·S·基姆(英语:Herbert Zim)在他那部经典的密码学入门著作 《密码和隐密写作》(Codes and Secret Writing)里提道:英文的字母频率排列顺序是ETAON RISHD LFCMU GYPWB VKJXQ Z,最常见的字母对是TH HE AN RE ER IN ON AT ND ST ES EN OF TE ED OR TI HI AS TO,最常见的连写字母对是LL EE SS OO TT FF RR NN PP CC。

使用最多的前12个字母占了总使用次数的80%,使用最多的前8个字母则占了总使用次数的65%。数种排名函数(英语:rank functions)能很好地拟合字母频率,而双参数Cocho/Beta排名函数(two-parameter Cocho/Beta rank function)是当中的佼佼者。用另一种不能调节参数的排名函数也能不错地拟合字母频率分布,该函数也能拟合蛋白质序列中的氨基酸频率。

使用VIC暗号(英语:VIC cipher)或其他基于纵横棋盘格的暗号时,间谍常用助记符如“a sin to err”(最后的r不计)来记住最常用的8个字母。在密码解谜游戏cryptograms(英语:cryptograms)和单词解谜游戏如猜单词游戏、Scrabble、香蕉拼字游戏和电视游戏节目幸运轮(英语:Wheel of Fortune (U.S. game show))中,须要运用字母频率和频率分析。在古典文学中,爱伦坡早在其著名小说《金甲虫》描述了如何用英文字母频率的知识去解开故事中的替换式密码,找出船长基德埋藏宝藏的所在。

字母频率在一些键盘布局的设计上举足轻重。Blickensderfer打字机(英语:Blickensderfer typewriter#Layouts)在下排放置最常用的字母。德沃夏克键盘将最常用的字母放在最易输入的中排,即除拇指外的八指所放之处。

英语中的字母频率如下:

上面列出的表格引自Algoritmy网站。而这个列表和其他的表稍微不同,如美国康奈尔大学数学探索项目(Math Explorer's Project)在统计40000个单词后得到了大同小异的另一表 页面存档备份,存于互联网档案馆。牛津大学出版社分析简明牛津词典的词条后也得出百分比稍有不同的一表。

英语中空格出现的频率比使用最多的字母(e)还稍稍多点(约为107%),而非字母符号(如数字、标点等)统共后排名第四,即在字母“T”和“A”之间。

单词中首字母的频率如下:

*参见带点与不带点I


根据上表,英语中使用频率最高的10个字母为etaoi nshrd,而其他语言的排列顺序如下:

以上语言基本使用相似的25个(或以上)字母。而道本语的排列顺序是ainlo ektms,与以上语言不同的是道本语只使用了14个字母。

相关

  • 脲酶脲酶(Urease,EC 3.5.1.5)是一种含镍的寡聚酶,它催化的是尿素水解为二氧化碳和氨的反应:脲酶存在于细菌、酵母和一些高等植物中。1926年,詹姆斯·巴彻勒·萨姆纳得到脲酶的结晶,并用
  • 以马内利以马内利(希伯来语:.mw-parser-output .script-hebrew,.mw-parser-output .script-Hebr{font-size:1.15em;font-family:"Ezra SIL","Ezra SIL SR","Keter Aram Tsova","Taamey
  • 中华人民共和国专利法《中华人民共和国专利法》是中华人民共和国政府颁布的旨在保护和鼓励专利权的一部法律。该法律最初颁布于1984年3月12日,并于1985年4月1日开始施行。其后于1992年9月4日、200
  • 台地台地(英语:Plateau、table land)是一种凸起的面积较大且海拔较低的平面地形。台地中央的坡度平缓,四周较陡,直立于周围的低地丘陵。有人认为台地是高原的一种。但一般而言,海拔较
  • 球面科学展示系统球面科学展示系统(英语:Science On a Sphere,简称SOS,中文官方网站翻译为小球大世界)是由NOAA开发的球体投影系统。这个系统可让高分辨率影像投影在悬挂着的球体萤幕,主要是针对显
  • 定量研究在社会科学中,定量研究(英语:Quantitative research),或又称为量化研究,指的是采用统计、数学或计算技术等方法来对社会现象进行系统性的经验考察。这种研究的目标是发展及运用与
  • 山姆·莱克山姆·莱克(英语:Sam Lake,1970年6月18日-),本名萨米·耶尔维(芬兰语:Sami Järvi,芬兰语单词Järvi和英语单词Lake的意思都是“湖”),芬兰作家,主要以为《马克思·佩恩》系列游戏编剧而
  • 时延在计算机网络中进行分组交换,分组从一台主机(源),通过一系列路由器传输,在另一台主机(目的地)结束它的进程。当分组从一个节点(主机或路由器)沿着这条路径到后继结点(主机或路由器)时,该
  • 通约性假若,两个不等于零的实数 a {\displaystyle a\,\!} 与 b {\displa
  • 驼者《驼者》是柯南·道尔所著的福尔摩斯探案的56个短篇故事之一,收录于《福尔摩斯回忆录》。讲述一个军人过去犯下的罪业终于回来找他清算的故事。福尔摩斯应邀调查巴克莱上校的