上述检测代码用python怎么写

这个问题不太清楚你具体指的是哪个检测代码，但我假设你是指文本相似度检测代码。Python中可以使用NLTK或者gensim等自然语言处理库来完成这个任务。我可以提供一个使用gensim计算两个句子相似度的例子代码：

from gensim import corpora, models, similarities

# 语料库
sentences = [['this', 'is', 'the', 'one', 'good', 'machine', 'learning', 'book'],
             ['this', 'is', 'another', 'book'],
             ['one', 'more', 'book'],
             ['weather', 'rain', 'snow'],
             ['yesterday', 'weather', 'snow'],
             ['forecast', 'tomorrow', 'rain', 'snow'],
             ['this', 'is', 'the', 'new', 'post'],
             ['this', 'is', 'about', 'more', 'machine', 'learning', 'post'],
             ['and', 'this', 'is', 'the', 'one', 'last', 'post', 'book']]

# 将语料库转换成词袋模型
dictionary = corpora.Dictionary(sentences)
corpus = [dictionary.doc2bow(sentence) for sentence in sentences]

# 计算TF-IDF值
tfidf = models.TfidfModel(corpus)

# 构建索引，用于查找相似度
index = similarities.MatrixSimilarity(tfidf[corpus])

# 待比较的两个句子
s1 = 'this is a good machine learning book'
s2 = 'tomorrow will be rainy'

# 将待比较的句子转换成词袋模型
s1_vec = dictionary.doc2bow(s1.lower().split())
s2_vec = dictionary.doc2bow(s2.lower().split())

# 计算相似度
s1_tfidf = tfidf[s1_vec]
s2_tfidf = tfidf[s2_vec]
similarity = index[s1_tfidf][index[s2_tfidf].argmax()]

print("句子1：", s1)
print("句子2：", s2)
print("相似度：", similarity)

这个例子中，我们将九个句子作为语料库，计算出每个句子的TF-IDF值，然后构建索引用于查找相似度。最后，我们将句子1和句子2转换成词袋模型，并计算它们之间的相似度。输出结果为：

句子1： this is a good machine learning book
句子2： tomorrow will be rainy
相似度： 0.0

因为这两个句子没有共同的单词，所以相似度为0。