下面是一个示例代码，用于计算两个文本之间的共现矩阵，并进行比较：

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 输入文本
texts = ["I love coding and programming",
         "I enjoy playing video games",
         "Coding and programming are my hobbies"]

# 创建CountVectorizer对象
vectorizer = CountVectorizer()

# 将文本转换为词频矩阵
matrix = vectorizer.fit_transform(texts)

# 获取词袋模型中的所有单词
words = vectorizer.get_feature_names()

# 将词频矩阵转换为共现矩阵
coocurrence_matrix = (matrix.T * matrix).toarray()

# 打印共现矩阵
print("共现矩阵：")
print(coocurrence_matrix)
print()

# 计算两个文本的余弦相似度
similarity = cosine_similarity(coocurrence_matrix[0].reshape(1, -1), coocurrence_matrix[1].reshape(1, -1))

# 打印两个文本的相似度
print("文本1和文本2的相似度：", similarity[0][0])

这个示例代码中使用了CountVectorizer来将文本转换为词频矩阵，并使用矩阵乘法计算共现矩阵。然后，使用余弦相似度来比较两个文本之间的相似程度。