好的，您提出了两个相对独立的任务：一个是输入并求平均值；另一个是编写文本相似度分析的Python代码。我们分别来看一下。 ### 一、输入数值并计算其平均值 这是一个简单的任务，在 Python 中可以很容易地完成： ```python def average(numbers): return sum(numbers) / len(numbers) if __name__ == "__main__": # 获取用户输入，并将字符串形式的数据转换成数字列表 user_input = input("请输入一些整数或浮点数，以空格分隔: ") numbers_list = list(map(float, user_input.split())) if not numbers_list: print("未提供有效的数字") else: avg_value = average(numbers_list) print(f"这些数字的平均值为 {avg_value}") ``` 此段程序首先定义了一个名为 `average` 的函数用于返回传入数字列表的均值。主程序部分从标准输入读取一行数据，将其按空白字符分割后转换成一个由 float 类型组成的序列，然后调用上述函数打印结果。 ### 二、文本相似度分析的基本示例 对于文本相似度分析来说，有很多种算法可以选择，比如余弦相似度(Cosine Similarity)，Jaccard 系数等。这里给出基于TF-IDF权重向量之间夹角余弦的一个简单例子: ```python from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity import numpy as np # 假设这是我们要比较的一组句子 documents = [ "这是一句测试的话", "这句话是用来做实验的" ] vectorizer = TfidfVectorizer().fit_transform(documents) vectors = vectorizer.toarray() csim = cosine_similarity(vectors) print('文本之间的相似矩阵:\n', csim) def get_most_similar(texts, new_doc): tfidf = TfidfVectorizer().fit_transform(texts + [new_doc]) vectors_tfidf = tfidf.toarray() similarities = [] for i in range(len(texts)): similarity = cosine_similarity([vectors_tfidf[i]], [vectors_tfidf[-1]]) similarities.append(similarity[0][0]) most_sim_index = int(np.argmax(similarities)) max_similarity = max(similarities) return texts[most_sim_index], max_similarity # 测试新的文档最接近哪个已有文档 test_new_doc = '新来的句子' result, score = get_most_similar(documents,test_new_doc ) print("\n{} 和 已有文档中最像的是 {} ，相似程度 {}".format(test_new_doc, result,score)) ``` 这个脚本展示了如何利用 scikit-learn 库中的TfidfVectorizer工具对一组给定的文章（在这里简化为了几句话）进行特征提取，并通过cosine_similarity 函数来获得它们两两间的相似性分数。 请注意以上只是非常基础的例子，实际应用场景中需要考虑更多因素如预处理步骤（去除停用词，大小写归一化）、更复杂的模型训练以及性能优化等问题。