1、 计算data1.txt 、data2.txt 、data3.txt这三篇文档之间的相似度，文本分析代码

计算文档之间的相似度可以使用文本分析技术，其中一种常用的方法是使用词袋模型和余弦相似度。

首先，需要对文档进行预处理，包括去除停用词、标点符号等，并将文本转换为词袋表示。词袋表示是将文本表示为一个向量，向量的每个维度代表一个词，值表示该词在文本中的出现次数或者TF-IDF值。

接下来，计算每篇文档的词袋向量。可以使用词频（TF）或者TF-IDF来表示词袋向量。

然后，使用余弦相似度来计算文档之间的相似度。余弦相似度是通过计算两个向量的夹角来衡量它们之间的相似程度，值越接近1表示越相似，值越接近0表示越不相似。

以下是一个示例代码，用于计算data1.txt、data2.txt、data3.txt这三篇文档之间的相似度：

import nltk
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 读取文档内容
with open('data1.txt', 'r') as file:
    data1 = file.read()
with open('data2.txt', 'r') as file:
    data2 = file.read()
with open('data3.txt', 'r') as file:
    data3 = file.read()

# 预处理文本
def preprocess_text(text):
    # 可根据需要进行停用词去除、标点符号去除等操作
    return text

data1 = preprocess_text(data1)
data2 = preprocess_text(data2)
data3 = preprocess_text(data3)

# 构建词袋模型
vectorizer = CountVectorizer()
corpus = [data1, data2, data3]
X = vectorizer.fit_transform(corpus)

# 计算相似度
similarity_matrix = cosine_similarity(X)

# 输出相似度矩阵
print(similarity_matrix)

请注意，以上代码仅为示例，实际应用中可能需要根据具体需求进行适当的修改和优化。