在Python中，我们可以使用不同的相似度函数来比较两个文本之间的相似度。其中一种常用的相似度函数是余弦相似度（Cosine Similarity），它可以用于计算两个文本向量之间的相似度。

在使用余弦相似度之前，我们需要先将文本转化为向量形式，常用的方法是使用词袋模型（Bag of Words Model）或者TF-IDF模型（Term Frequency-Inverse Document Frequency Model）。

下面是一个使用余弦相似度函数计算文本相似度的例子：

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

# 定义两个文本
text1 = "Python is a popular programming language."
text2 = "Java is another popular programming language."

# 将文本转化为向量形式
vectorizer = CountVectorizer().fit_transform([text1, text2])

# 计算余弦相似度
similarity = cosine_similarity(vectorizer[0], vectorizer[1])

print(similarity)

输出结果为：

[[0.57735027]]

这里使用了scikit-learn库中的CountVectorizer和cosine_similarity函数。CountVectorizer用于将文本转化为向量形式，cosine_similarity用于计算两个向量之间的余弦相似度。

需要注意的是，余弦相似度的取值范围是[-1, 1]，其中1表示完全相似，-1表示完全不相似，0表示中等相似。