使用【用字典建立一个空的通讯录，通过键盘输入向字典中添加通讯人（名字、电话、邮箱、工作单位等）从而构成有多个联系人（至少2人）的通讯录，能够查询、删除或修改某个人的信息，最后能输出通讯录中所有人的信息。python】写【文本相似度分析】的代码

将上述任务描述转化为文本相似度分析的代码并不直接相关，因为这里描述的是创建和管理通讯录的功能，而文本相似度分析通常是用于比较两个文本片段之间的相似程度。但在一个Python程序中，如果需要实现文本相似度功能，你可以使用`nltk`库的`cosine_similarity`或者`sklearn`库中的`TfidfVectorizer`进行处理。以下是简化的例子，假设我们有一个通讯录的字典，然后创建一个函数来比较两个联系人记录的相似度：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 假设通讯录数据结构类似
contacts = {
    'Alice': {'name': 'Alice', 'phone': '1234567890', 'email': 'alice@example.com', 'work': 'Company A'},
    'Bob': {'name': 'Bob', 'phone': '9876543210', 'email': 'bob@example.com', 'work': 'Company B'}
}

def compare_contacts(contact1, contact2):
    # 抽取联系人的关键信息作为字符串
    text1 = f"{contact1['name']} (Phone: {contact1['phone']}, Email: {contact1['email']})"
    text2 = f"{contact2['name']} (Phone: {contact2['phone']}, Email: {contact2['email']})"
    
    # 使用TF-IDF转换文本
    vectorizer = TfidfVectorizer()
    vectors = vectorizer.fit_transform([text1, text2])

    # 计算余弦相似度
    similarity_score = cosine_similarity(vectors)[0][1]
    
    return similarity_score

# 示例
similarity_Alice_Bob = compare_contacts(contacts['Alice'], contacts['Bob'])
print(f"Alice和Bob的相似度分数: {similarity_Alice_Bob}")