要比较一个文档和一个单词的向量，可以使用余弦相似度。

首先，需要将文档和单词转换为向量表示。可以使用词袋模型或者词嵌入模型来表示文档和单词。

下面是一个使用词袋模型表示文档和单词向量的示例代码：

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

# 文档
document = "This is a sample document."
# 单词
word = "sample"

# 初始化词袋模型
vectorizer = CountVectorizer()

# 将文档和单词转换为向量表示
document_vector = vectorizer.fit_transform([document])
word_vector = vectorizer.transform([word])

# 计算余弦相似度
similarity = cosine_similarity(document_vector, word_vector)

print(similarity)

输出结果将是一个二维数组，表示文档和单词向量的余弦相似度。较高的相似度值表示文档和单词在语义上更接近。

如果要使用词嵌入模型（如Word2Vec或GloVe）来表示文档和单词的向量，可以使用相应的预训练模型来获取向量表示，然后计算余弦相似度。代码示例如下：

from gensim.models import Word2Vec
from sklearn.metrics.pairwise import cosine_similarity

# 文档
document = "This is a sample document."
# 单词
word = "sample"

# 加载预训练的Word2Vec模型（示例使用的是Google News数据集训练的模型）
model = Word2Vec.load("path_to_word2vec_model")

# 获取文档和单词的向量表示
document_vector = model.wv[document]
word_vector = model.wv[word]

# 计算余弦相似度
similarity = cosine_similarity([document_vector], [word_vector])

print(similarity)

这里假设已经训练了一个Word2Vec模型，并将其保存在"path_to_word2vec_model"路径下。通过调用模型的wv属性，可以获取文档和单词的向量表示。然后，可以使用cosine_similarity函数计算余弦相似度。