学习日 13：文本与数据学习项目

合理方案：用词元/字符 Counter 计数，用 len(text) 统计 Unicode 码点数，在 list(range(n)) 上使用 random.Random(seed)，保证索引集合互不相交，并在清单中记录源/分割哈希、比例、计数、环境和 no_leakage_verified 字段。 清单还会记录原始字节的 source_sha256、decoded_text_sha256、input_decoding 策略与 normalized_ratios，并在任何写入前拒绝输入/输出路径冲突。

路线 A 参考：analyze_text('a a\n猫🙂') -> total_chars=6, total_tokens=3, vocab_size=2, char_vocab_size=5, token_frequencies={'a':2, '猫🙂':1}, char_frequencies={'a':2,' ':1,'\n':1,'猫':1,'🙂':1}, min_token_length=1, max_token_length=2, avg_token_length=1.3333（精确均值 4/3，按 4 位小数取整）, char_distribution={'alphabetic':3,'digits':0,'whitespace':2,'punctuation':0,'other':1}；空输入 -> 数值统计（计数、词表大小、min/max_token_length、avg_token_length=0.0）为 0，token_frequencies 与 char_frequencies 为空字典 {}，char_distribution 保留 alphabetic、digits、whitespace、punctuation、other 五个键，各值为 0。
路线 B 参考：种子 7 -> 3、1、1 条记录；每个原始索引恰好分配一次；两两索引交集为 0。相同文本值不使索引不相交失效，但须声明去重策略；非有限或越界比例在分配前被拒。
你的受评尝试必须使用不同的新无协助输入及其自测预测；这些正典案例是公开参考，不是隐藏评估。

缺失文件、严格模式下损坏的输入以及错误比例之和都会返回非零并给出诊断；replace 会成功；空输入产出合法的零值统计；相同种子仅在相同原始输入字节、比例、解码/换行策略及同一实现/运行时/平台下逐字节复现分割文件（manifest 的 created_at 会变化；比较语义来因而非 manifest 字节）；泄漏在索引层面检查。 与任一生成产物名冲突的输入路径会在写入前被拒绝，且源文件保持字节不变；非有限或越界比例也会被拒绝。

清单让数据身份和分割归属在后续实验中可审计；它并不能消除分布漂移、重复内容泄漏、编码/分词选择或环境差异。本项目使用链接/归属，而不是复制源文本。