二、实验要求信息熵的计算方法需要自行编码实现不能直接调用第三方软件包。可复用前几次实验编写的相应函数；代码中需包含适量注释说明求解思路和过程。参考课本P67的英文字母概率表表31P68的汉字近似概率表表32计算并比较英文和中文的零阶信源熵。要求：1 零阶近似：对马尔科夫信源为了简化计算本实验只考虑文中各字母或中文汉字出现的概率不考虑字母之间的依赖关系。2 估算英文信源的零阶熵3 估算汉语信源的零阶

三、实验过程

1. 首先，我们需要编写一个函数来计算信息熵。根据公式，信息熵的计算公式为：

$H(x)=-\sum_{i=1}^{n}(p_{i}\log_{2}p_{i})$

其中，$p_{i}$是第i个符号出现的概率。

我们可以编写一个函数来计算信息熵，代码如下：

def entropy(probabilities):
    # 计算信息熵
    ent = 0
    for p in probabilities:
        if p > 0:
            ent -= p * math.log2(p)
    return ent

这个函数接受一个概率列表作为参数，并返回计算出的信息熵。

2. 接下来，我们需要读取英文字母概率表和汉字近似概率表。我们可以将概率表保存为一个CSV文件，然后使用pandas库来读取。

import pandas as pd

# 读取英文字母概率表
eng_prob = pd.read_csv('eng_prob.csv', index_col=0, squeeze=True)

# 读取汉字近似概率表
chn_prob = pd.read_csv('chn_prob.csv', index_col=0, squeeze=True)

这里我们使用了pandas库的read_csv函数来读取CSV文件。我们将第一列作为索引，squeeze=True表示只有一列数据，将其转换为Series类型。

3. 接下来，我们需要计算英文和中文的零阶信源熵。我们可以使用上面编写的entropy函数来计算信息熵。

# 计算英文的零阶信源熵
eng_ent = entropy(eng_prob)

# 计算中文的零阶信源熵
chn_ent = entropy(chn_prob)

4. 最后，我们需要比较中英文的零阶熵，并根据信息熵的意义，阐释中英文的特点和中文的优势。

print('英文的零阶信源熵为：', eng_ent)
print('中文的零阶信源熵为：', chn_ent)

if eng_ent > chn_ent:
    print('英文的零阶熵大于中文的零阶熵，说明英文的随机性更高。')
else:
    print('中文的零阶熵大于英文的零阶熵，说明中文的随机性更高。')

根据输出结果，我们可以得出结论：中文的随机性更高，即中文具有更高的信息量。这是因为中文汉字的数量远远超过英文字母的数量，所以中文的表达能力更加丰富，信息量更大