需要自行编码实现。代码.(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熵 (4)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。

好的，下面是 Python 实现代码：

import collections
import math

# 计算零阶熵
def zero_order_entropy(data):
    # 统计每个字符出现的次数
    counter = collections.Counter(data)
    # 计算每个字符出现的概率
    probs = [counter[c] / len(data) for c in counter]
    # 计算零阶熵
    entropy = sum([-p * math.log2(p) for p in probs])
    return entropy

# 读取英文文本
with open('english.txt', 'r') as f:
    english_text = f.read().lower()
# 计算英文文本的零阶熵
english_entropy = zero_order_entropy(english_text)
print('英文文本的零阶熵为:', english_entropy)

# 读取中文文本
with open('chinese.txt', 'r', encoding='utf-8') as f:
    chinese_text = f.read()
# 计算中文文本的零阶熵
chinese_entropy = zero_order_entropy(chinese_text)
print('中文文本的零阶熵为:', chinese_entropy)

# 比较中英文的零阶熵
if chinese_entropy < english_entropy:
    print('中文的零阶熵比英文要小，说明中文的信息传输效率更高。')
else:
    print('英文的零阶熵比中文要小，说明英文的信息传输效率更高。')

请注意，以上代码中使用了一个名为 `collections.Counter()` 的 Python 内置函数，该函数可以方便地统计一个序列中各元素出现的次数。在本实验中，我们使用 `collections.Counter()` 来统计字母（或汉字）出现的次数，然后再根据出现次数计算每个字符出现的概率。