2020-07-24 19:09:34

docs/numpy-essentials/1.md

@@ -21,7 +21,7 @@
 
 ### 注意
 
-请注意，SciPy 可能意味着很多事情：名为 [scipy](http://www.scipy.org/scipylib) 的 Python 模块，整个 SciPy 堆栈（ [http：//www.scipy .org / about.html](http://www.scipy.org/about.html) ），或在世界各地举行的有关科学 Python 的三个会议中的任何一个。
+请注意，SciPy 可能意味着很多事情：名为 [scipy](http://www.scipy.org/scipylib) 的 Python 模块，[整个 SciPy 堆栈](http://www.scipy.org/about.html)，或在世界各地举行的有关科学 Python 的三个会议中的任何一个。
 
 ![The scientific Python stack](img/00002.jpeg)
 
@@ -112,7 +112,7 @@ C:\Users\JohnDoe> python hello_world.py
 
 面向 Canopy 用户的注意事项：可以使用 Canopy GUI，该 GUI 包括嵌入式 IPython 控制台，文本编辑器和 IPython Notebook 编辑器。 使用命令行时，为了获得最佳效果，请使用 Canopy 的“工具”菜单中的 **Canopy 终端**。
 
-Windows OS 用户注意事项：除了 Python 发行版，您还可以从 Ghristoph Gohlke 网站上的 [http://www.lfd.uci.edu/~gohlke/pythonlibs/](http://www.lfd.uci.edu/~gohlke/pythonlibs/) 安装预构建的 Windows python 扩展软件包。
+Windows OS 用户注意事项：除了 Python 发行版，您还可以从 [Ghristoph Gohlke 网站](http://www.lfd.uci.edu/~gohlke/pythonlibs/)安装预构建的 Windows python 扩展软件包。
 
 ## 使用 Python 包管理器
 

docs/numpy-essentials/10.md

@@ -13,7 +13,7 @@ NumPy 是 Python 中功能强大的科学模块； 希望在前九章中，我
 
 到目前为止，pandas 是 Python 中最可取的数据预处理模块。 它处理数据的方式与 R 非常相似。它的数据框不仅为您提供视觉上吸引人的表打印输出，而且还允许您以更直观的方式访问数据。 如果您不熟悉 R，请尝试考虑以编程方式使用电子表格软件（例如 Microsoft Excel 或 SQL 表）。 这涵盖了熊猫所做的很多事情。
 
-您可以从熊猫官方网站 [http://pandas.pydata.org/](http://pandas.pydata.org/) 下载并安装熊猫。 一种更可取的方法是使用 pip 或安装 Python 科学发行版，例如 Anaconda。
+您可以从 [Pandas 官方网站](http://pandas.pydata.org/)下载并安装熊猫。 一种更可取的方法是使用 pip 或安装 Python 科学发行版，例如 Anaconda。
 
 还记得我们如何使用`numpy.genfromtxt()`读取第 4 章， “Numpy 核心和子模块”中的`csv`数据吗？ 实际上，使用熊猫来读取表格并将经过预处理的数据传递给`ndarray`（简单地执行`np.array(data_frame)`会将数据帧转换为多维`ndarray`）对于分析来说是更可取的工作流程。 在本节中，我们将向您展示熊猫的两个基本数据结构：`Series`（用于一维）和`DataFrame`（用于二维或多维）。然后，我们将向您展示如何使用熊猫来读取 表并将数据传递给
 
@@ -103,7 +103,7 @@ max    41.000000
 
 在前面的示例中，我们仅获得`Age`列，并按`Age`对`DataFrame`进行排序。 当我们使用`describe()`时，它将计算所有数字字段的摘要统计信息（包括计数，均值，标准差，最小值，最大值和百分位数）。在本节的最后部分，我们将使用熊猫读取
 
-在本节的最后部分，我们将使用熊猫读取`csv`文件并将一个字段值传递给`ndarray`以进行进一步的计算。 `example.csv`文件来自**国家统计局**（**ONS**）。 请访问 [http://www.ons.gov.uk/ons/datasets-and-tables/index.html](http://www.ons.gov.uk/ons/datasets-and-tables/index.html) 了解更多详细信息。 我们将在 ONS 网站上使用`Sale counts by dwelling type and local authority, England and Wales`（房屋类型和地方当局（英格兰和威尔士）的销售计数）。 您可以按主题名称搜索它，以访问下载页面或选择您感兴趣的任何数据集。在以下示例中，我们将示例数据集重命名为`sales.csv`：
+在本节的最后部分，我们将使用熊猫读取`csv`文件并将一个字段值传递给`ndarray`以进行进一步的计算。 `example.csv`文件来自**国家统计局**（**ONS**）。 请访问[这里](http://www.ons.gov.uk/ons/datasets-and-tables/index.html)了解更多详细信息。 我们将在 ONS 网站上使用`Sale counts by dwelling type and local authority, England and Wales`（房屋类型和地方当局（英格兰和威尔士）的销售计数）。 您可以按主题名称搜索它，以访问下载页面或选择您感兴趣的任何数据集。在以下示例中，我们将示例数据集重命名为`sales.csv`：
 
 ```py
 In [15]: sales = pd.read_csv('sales.csv') 
@@ -130,7 +130,7 @@ Name: 1995_COUNT_ALL_TYPES, dtype: object
 
 Scikit 是 SciPy 工具包的缩写，它是 SciPy 的附加软件包。 它提供了广泛的分析模块，而 scikit-learn 是其中之一。 这是迄今为止最全面的 Python 机器学习模块。 scikit-learn 提供了一种简单有效的方法来执行数据挖掘和数据分析，并且它拥有非常活跃的用户社区。
 
-您可以从 scikit-learn 的官方网站下载并安装它，网址为 [http://scikit-learn.org/stable/](http://scikit-learn.org/stable/) 。 如果您使用的是 Python 科学发行版（例如 Anaconda），则也包含在其中。
+您可以[从 scikit-learn 的官方网站下载并安装它](http://scikit-learn.org/stable/)。 如果您使用的是 Python 科学发行版（例如 Anaconda），则也包含在其中。
 
 现在，是时候使用 scikit-learn 进行一些机器学习了。 scikit-learn 的优点之一是它提供了一些用于实践的样本数据集（演示数据集）。 让我们首先加载糖尿病数据集。
 
@@ -217,9 +217,9 @@ Out[12]: 0.48699089712593369
 
 netCDF4 是 netCDF 库的第四个版本，该库是在 HDF5（分层数据格式，旨在存储和组织大量数据）的基础上实现的，从而可以管理非常大和复杂的多维数据。 netCDF4 的最大优点是，它是一种完全可移植的文件格式，对集合中数据对象的数量或大小没有限制，并且在可归档的同时也可以追加。 许多科研组织将其用于数据存储。 Python 还具有访问和创建此类数据格式的接口。
 
-您可以从 [http://unidata.github.io/netcdf4-python/](http://unidata.github.io/netcdf4-python/) 的官方文档页面下载并安装该模块，或从 [https：// github 的 GitHub 存储库中克隆该模块。 .com / Unidata / netcdf4-python](https://github.com/Unidata/netcdf4-python) 。 它不包含在标准的 Python Scientific 发行版中，但已内置在 NumPy 中，可以与 Cython 一起构建（建议但并非必需）。
+您可以从[官方文档页面](http://unidata.github.io/netcdf4-python/)，或从[这里](https://github.com/Unidata/netcdf4-python)下载并安装该模块。 它不包含在标准的 Python Scientific 发行版中，但已内置在 NumPy 中，可以与 Cython 一起构建（建议但并非必需）。
 
-对于以下示例，我们将使用 Unidata 网站上的示例`netCDF4`文件，该文件位于 [http://www.unidata.ucar.edu/software/netcdf/examples/files.html](http://www.unidata.ucar.edu/software/netcdf/examples/files.html) ，并且 我们将以气候系统模型为例：`sresa1b_ncar_ccsm3-example.nc`
+对于以下示例，我们将使用 Unidata 网站上的示例`netCDF4`文件，该文件位于[这里](http://www.unidata.ucar.edu/software/netcdf/examples/files.html)，并且 我们将以气候系统模型为例：`sresa1b_ncar_ccsm3-example.nc`
 
 首先，我们将使用`netCDF4`模块稍微探索一下数据集，并提取我们需要进行进一步分析的值：
 
@@ -343,7 +343,7 @@ In [8]: plt.show()
 
 ![SciPy](img/00041.jpeg)
 
-接下来，我们将使用 SciPy `scipy.ndimage`中的多维图像处理模块对噪波图像应用滤镜以使其平滑。 `ndimage`模块提供各种过滤器； 有关详细列表，请参考 [http://docs.scipy.org/doc/scipy/reference/ndimage.html](http://docs.scipy.org/doc/scipy/reference/ndimage.html) ，但是在以下示例中，我们将仅使用高斯和均匀滤波器：
+接下来，我们将使用 SciPy `scipy.ndimage`中的多维图像处理模块对噪波图像应用滤镜以使其平滑。 `ndimage`模块提供各种过滤器； 有关详细列表，请参考[这里](http://docs.scipy.org/doc/scipy/reference/ndimage.html)，但是在以下示例中，我们将仅使用高斯和均匀滤波器：
 
 ```py
 In [9]: from scipy import ndimage 

docs/numpy-essentials/2.md

@@ -163,7 +163,7 @@ In [16]: def sum_col(x):
 
 ### 注意
 
-IPython 提供了一些魔术函数来帮助我们更好地理解代码。 有关更多详细信息，请参见： [http://ipython.readthedocs.org/en/stable/interactive/magics.html?highlight=magic](http://ipython.readthedocs.org/en/stable/interactive/magics.html?highlight=magic) 。
+IPython 提供了一些魔术函数来帮助我们更好地理解代码。 有关更多详细信息，请参见[这里](http://ipython.readthedocs.org/en/stable/interactive/magics.html?highlight=magic)。
 
 ```py
 In [17]: %timeit sum_row(c_array) 
@@ -353,9 +353,7 @@ Out[48]: [ 6  9 10  7  9  5  8  8  9  3]
 
 `randint`函数带有三个参数，其中两个是可选的。 第一个参数表示输出值的期望下限，第二个可选参数表示输出值的（专有）上限。 可选的`size`参数是一个元组，用于确定输出数组的形状。
 
-还有许多其他功能，例如将随机数生成器植入随机子模块中。 有关详细信息，请参考：
-
-[http://docs.scipy.org/doc/numpy/reference/routines.random.html](http://docs.scipy.org/doc/numpy/reference/routines.random.html)
+还有许多其他功能，例如将随机数生成器植入随机子模块中。 有关详细信息，请参考[这里](http://docs.scipy.org/doc/numpy/reference/routines.random.html)。
 
 ## 其他数组
 
@@ -397,7 +395,7 @@ Out[58]: dtype('S1')
 
 ```
 
-有关 NumPy 支持的数据类型的完整列表，请参考 [http://docs.scipy.org/doc/numpy/user/basics.types.html](http://docs.scipy.org/doc/numpy/user/basics.types.html) 。
+有关 NumPy 支持的数据类型的完整列表，请参考[这里](http://docs.scipy.org/doc/numpy/user/basics.types.html)。
 
 # 总结
 

docs/numpy-essentials/3.md

@@ -84,7 +84,7 @@ Out[20]: dtype('int32')
 
 # 通用功能（ufuncs）
 
-NumPy 具有许多通用函数（所谓的 ufuncs），因此可以利用它们来发挥自己的优势，从而尽可能地减少循环以优化代码。 ufunc 在数学，三角函数，汇总统计信息和比较运算方面有很好的覆盖范围。 有关详细的 ufunc 列表，请参考在线文档 [http://docs.scipy.org/doc/numpy/reference/ufuncs.html](http://docs.scipy.org/doc/numpy/reference/ufuncs.html) 。
+NumPy 具有许多通用函数（所谓的 ufuncs），因此可以利用它们来发挥自己的优势，从而尽可能地减少循环以优化代码。 ufunc 在数学，三角函数，汇总统计信息和比较运算方面有很好的覆盖范围。 有关详细的 ufunc 列表，请参考[在线文档](http://docs.scipy.org/doc/numpy/reference/ufuncs.html)。
 
 由于 NumPy 中有大量的 ufunc，我们很难在一章中涵盖所有这些功能。 在本节中，我们仅旨在了解如何以及为何应使用 NumPy ufuncs。
 

docs/numpy-essentials/4.md

@@ -166,7 +166,7 @@ array([(10, 0.5, 'NumPy'), (100, -0.5, 'Essential')],
 
 在进一步介绍记录数组之前，让我们先整理一下如何定义记录数组。 最简单的方法如上一个示例所示，在该示例中，我们初始化 NumPy 数组，并使用 string 参数指定字段的数据类型。
 
-NumPy 可以接受多种形式的字符串参数（有关详细信息，请参见 [http://docs.scipy.org/doc/numpy/user/basics.rec.html](http://docs.scipy.org/doc/numpy/user/basics.rec.html) ）； 最优选的可以选自以下之一：
+NumPy 可以接受多种形式的字符串参数（有关详细信息，请参见[这里](http://docs.scipy.org/doc/numpy/user/basics.rec.html)； 最优选的可以选自以下之一：
 
 | **数据类型** | **表示形式** |
 | --- | --- |
@@ -230,7 +230,7 @@ array([(10, 'NumPy'), (100, 'Essential')],
 
 ```
 
-您可能会发现此示例过于简单； 如果是这样，您可以尝试使用来自 Wikipedia 的数据从包含国家名称，人口和排名的真实示例创建一个新的记录数组： [https://zh.wikipedia.org/wiki/List_of_countries_and_dependencies_by_population [](https://en.wikipedia.org/wiki/List_of_countries_and_dependencies_by_population) 。 这样会更有趣！
+您可能会发现此示例过于简单； 如果是这样，您可以尝试使用[来自 Wikipedia 的数据](https://en.wikipedia.org/wiki/List_of_countries_and_dependencies_by_population)从包含国家名称，人口和排名的真实示例创建一个新的记录数组。 这样会更有趣！
 
 ## NumPy 中的日期和时间
 
@@ -246,7 +246,7 @@ Out[43]: (dtype('<M8[D]'), dtype('<M8[M]'))
 
 ```
 
-`x`和`y`都是`numpy.datetime64`对象，并由 ISO 8601 字符串构造（通用日期格式-有关详细信息，请参见 [https://en.wikipedia.org/wiki/ISO_8601](https://en.wikipedia.org/wiki/ISO_8601) ） 。 但是`x`的输入字符串包含天单位，而`y`的字符串则没有。 创建 NumPy `datetime64`时，它将自动从输入字符串的形式中进行选择，因此当我们为`x`和`y`都打印出`dtype`时，我们可以看到`x`的单位为`D`。 ]代表几天，而`y`和单位`M`代表几个月。 `<`也是字节序，这里是 big-endian，M8 是`datetime64`的缩写（从`np.int64`实现）。 `numpy.datetime64`支持的默认日期单位是年（`Y`），月（`M`），周（`W`）和天（`D`），而时间单位是小时（`h`）。 ，分钟（`m`），秒（`s`）和毫秒（`ms`）。
+`x`和`y`都是`numpy.datetime64`对象，并由 ISO 8601 字符串构造（通用日期格式-有关详细信息，请参见[这里](https://en.wikipedia.org/wiki/ISO_8601)。 但是`x`的输入字符串包含天单位，而`y`的字符串则没有。 创建 NumPy `datetime64`时，它将自动从输入字符串的形式中进行选择，因此当我们为`x`和`y`都打印出`dtype`时，我们可以看到`x`的单位为`D`。 ]代表几天，而`y`和单位`M`代表几个月。 `<`也是字节序，这里是 big-endian，M8 是`datetime64`的缩写（从`np.int64`实现）。 `numpy.datetime64`支持的默认日期单位是年（`Y`），月（`M`），周（`W`）和天（`D`），而时间单位是小时（`h`）。 ，分钟（`m`），秒（`s`）和毫秒（`ms`）。
 
 当然，我们在创建数组时可以指定单位，也可以使用`numpy.arange()`方法创建数组的序列。 请参阅以下示例：
 
@@ -366,7 +366,7 @@ array([(0, 0.07020000368356705, '2014-07-10'),
 
 `delimiter`参数也是可选的，默认情况下，任何连续的空格都用作分隔符。 但是，对于 CSV 文件，我们使用了“ `,`”。 我们在方法中使用的最后一个可选参数是`skip_header`。 尽管我们没有在文件中的记录顶部添加字段名称，但是 NumPy 提供了跳过文件开头多行的功能。
 
-除了`skip_header`之外，`numpy.genfromtext()`函数还支持 22 种以上的操作参数以微调数组，例如定义缺失值和填充值。 有关更多详细信息，请参阅 [http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.genfromtxt.html](http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.genfromtxt.html) 。
+除了`skip_header`之外，`numpy.genfromtext()`函数还支持 22 种以上的操作参数以微调数组，例如定义缺失值和填充值。 有关更多详细信息，请参阅[这里](http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.genfromtxt.html)。
 
 现在将数据读到记录数组中，您将发现第二个字段是小数点后四位数以上，这是我们在导出 CSV 时指定的。 这样做的原因是因为我们在读取时使用`f4`作为其数据类型。NumPy 将填充空数字，但有效的四位数字与文件中的数字相同。 您可能还会注意到我们丢失了字段名，因此让我们指定它：
 

docs/numpy-essentials/5.md

@@ -13,7 +13,7 @@ NumPy 专为数值计算而设计； 在引擎盖下，它仍然是功能强大
 
 对于线性代数，使用矩阵可能更直接。 NumPy 中的矩阵对象继承了`ndarray`的所有属性和方法，但严格来说是二维的，而`ndarray`可以是多维的。 使用 NumPy 矩阵的众所周知的优点是它们提供矩阵乘法作为`*`表示法； 例如，如果`x`和`y`是矩阵，则`x * y`是它们的矩阵乘积。 但是，从 Python 3.5 / NumPy 1.10 开始，新的运算符“
 
-但是，从 Python 3.5 / NumPy 1.10 开始，新的运算符“ `@`”支持本机矩阵乘法。 因此这是使用`ndarray`（ [https://docs.python.org/3/whatsnew/3.5.html#whatsnew-pep-465](https://docs.python.org/3/whatsnew/3.5.html#whatsnew-pep-465) ）的另一个很好的理由。
+但是，从 Python 3.5 / NumPy 1.10 开始，新的运算符“`@`”支持本机矩阵乘法。 因此这是使用[`ndarray`](https://docs.python.org/3/whatsnew/3.5.html#whatsnew-pep-465)的另一个很好的理由。
 
 但是，矩阵对象仍提供方便的转换，例如逆和共轭转置，而`ndarray`不提供。 让我们从创建 NumPy 矩阵开始：
 
@@ -183,7 +183,7 @@ array([[ 10,  20,  30,  40],
 
 ![Linear algebra in NumPy](img/00012.jpeg)
 
-最后一个是`numpy.cross()`乘积，它是三维空间中两个向量的二进制运算（并且仅适用于向量），其结果是垂直于两个输入数据的向量（`a`，`b`）。 如果您不熟悉外部产品，请参考 [https://en.wikipedia.org/wiki/Cross_product](https://en.wikipedia.org/wiki/Cross_product) 。 以下示例显示`a`和`b`是向量数组，以及（`a`，`b`）和（`b`，`a`）的叉积：
+最后一个是`numpy.cross()`乘积，它是三维空间中两个向量的二进制运算（并且仅适用于向量），其结果是垂直于两个输入数据的向量（`a`，`b`）。 如果您不熟悉外部产品，请参考[这里](https://en.wikipedia.org/wiki/Cross_product)。 以下示例显示`a`和`b`是向量数组，以及（`a`，`b`）和（`b`，`a`）的叉积：
 
 ```py
 In [31]: a = np.array([1,0,0]) 
@@ -246,7 +246,7 @@ matrix([[ 0.2667],
 
 # 分解
 
-`numpy.linalg`提供了分解，在本节中，我们将介绍两种最常用的分解：**奇异值分解**（**svd**）和 **QR** 因式分解。 让我们首先计算**特征值**和**特征向量**。 在我们开始之前，如果您不熟悉特征值和特征向量，可以在 [https://en.wikipedia.org/wiki/Eigenvalues_and_eigenvectors](https://en.wikipedia.org/wiki/Eigenvalues_and_eigenvectors) 进行检查。 开始吧：
+`numpy.linalg`提供了分解，在本节中，我们将介绍两种最常用的分解：**奇异值分解**（**svd**）和 **QR** 因式分解。 让我们首先计算**特征值**和**特征向量**。 在我们开始之前，如果您不熟悉特征值和特征向量，可以在[这里](https://en.wikipedia.org/wiki/Eigenvalues_and_eigenvectors)进行检查。 开始吧：
 
 ```py
 In [41]: x = np.random.randint(0, 10, 9).reshape(3,3) 
@@ -452,13 +452,13 @@ Out[82]: True
 
 ```
 
-多项式包还提供了特殊的多项式，例如 Chebyshev，Legendre 和 Hermite。 有关这些内容的更多详细信息，请参考 [http://docs.scipy.org/doc/numpy-1.10.0/reference/routines.polynomials.classes.html](http://docs.scipy.org/doc/numpy-1.10.0/reference/routines.polynomials.classes.html) 。
+多项式包还提供了特殊的多项式，例如 Chebyshev，Legendre 和 Hermite。 有关这些内容的更多详细信息，请参考[这里](http://docs.scipy.org/doc/numpy-1.10.0/reference/routines.polynomials.classes.html)。
 
 总之，在大多数情况下，`ndarray`和 NumPy 函数可以解决与多项式有关的问题。 它们也是一种更可取的方式，因为程序中类型之间的转换较少，这意味着较少的潜在问题。 但是，在处理特殊多项式时，我们仍然需要多项式包。 我们几乎完成了数学部分。 在下一节中，我们将讨论线性代数的应用。
 
 # 应用-回归和曲线拟合
 
-由于我们在讨论线性代数的应用，因此我们的经验来自实际案例。 让我们从线性回归开始。 因此，假设我们对一个人的年龄与其睡眠质量之间的关系感到好奇。 我们将使用 2012 年大不列颠睡眠调查（ [https://www.sleepio.com/2012report/](https://www.sleepio.com/2012report/) ）在线提供的数据。
+由于我们在讨论线性代数的应用，因此我们的经验来自实际案例。 让我们从线性回归开始。 因此，假设我们对一个人的年龄与其睡眠质量之间的关系感到好奇。 我们将使用 [2012 年大不列颠睡眠调查](https://www.sleepio.com/2012report/)在线提供的数据。
 
 有 20,814 人参加了调查，年龄范围从 20 岁以下到 60 岁以上，他们通过 4 到 6 分对他们的睡眠质量进行了评估。
 
@@ -518,7 +518,7 @@ Out[92]: 6.30307651938
 
 您可能认为回归线方程看起来很熟悉。 还记得我们在矩阵部分求解的第一个线性方程吗？ 是的，您也可以使用`numpy.linalg.lstsq()`来求解`Ax = b`方程，实际上这将是本章的第四个解决方案。 自己尝试； 用法与您使用`numpy.linalg.solve()`时非常相似。
 
-但是，并非每个问题都能简单地通过绘制回归线来回答，例如按年的房价。 它显然不是线性关系，可能是平方或三次关系。 那么我们如何解决这个问题呢？ 让我们使用房价指数（国家统计局 [http://ons.gov.uk/ons/taxonomy/index.html?nscl=House+Price+Indices#tab-data-tables）中的统计数据](http://ons.gov.uk/ons/taxonomy/index.html?nscl=House+Price+Indices#tab-data-tables) ），然后选择 2004 年至 2013 年。我们将平均房价（英镑）调整为通胀因素； 我们想知道明年的平均价格。
+但是，并非每个问题都能简单地通过绘制回归线来回答，例如按年的房价。 它显然不是线性关系，可能是平方或三次关系。 那么我们如何解决这个问题呢？ 让我们使用房价指数（[国家统计局中的统计数据](http://ons.gov.uk/ons/taxonomy/index.html?nscl=House+Price+Indices#tab-data-tables)），然后选择 2004 年至 2013 年。我们将平均房价（英镑）调整为通胀因素； 我们想知道明年的平均价格。
 
 在寻求解决方案之前，让我们首先分析问题。 问题的背后是多项式曲线拟合问题； 我们想找到最适合我们的问题的多项式，但是我们应该为它选择哪个 NumPy 函数？ 但是在此之前，让我们创建两个变量：每年的价格`price`和房屋的年份`year`：
 

docs/numpy-essentials/6.md

@@ -13,7 +13,7 @@
 
 众所周知，傅里叶分析将函数表示为周期分量的总和（正弦和余弦函数的组合），并且这些分量能够恢复原始函数。 它在数字信号处理（例如滤波，插值等）中具有广泛的应用程序，因此我们在不提供 NumPy 的任何应用程序细节的情况下就不想谈论 NumPy 中的傅立叶分析。 为此，我们需要一个可视化的模块。
 
-Matplotlib 是我们将在本章中使用的可视化模块。 请从官方网站下载并安装它： [http://matplotlib.org/downloads.html](http://matplotlib.org/downloads.html) 。 或者，如果您正在使用 Anaconda 之类的 Scientific Python 发行版，则应该已经包括了 matplotlib。
+Matplotlib 是我们将在本章中使用的可视化模块。 [请从官方网站下载并安装它](http://matplotlib.org/downloads.html)。 或者，如果您正在使用 Anaconda 之类的 Scientific Python 发行版，则应该已经包括了 matplotlib。
 
 我们将编写一个名为`show()`的简单显示函数，以帮助我们了解本章中的练习示例。 函数输出如下图所示：
 
@@ -281,7 +281,7 @@ Out[51]: True
 
 # 傅立叶变换应用
 
-在前面的部分中，您学习了如何将`numpy.fft`用于一个一维和多维`ndarray`，并在幕后了解了实现细节。 现在是一些应用程序的时候了。 在本节中，我们将使用傅立叶变换进行一些图像处理。 我们将分析光谱，然后对图像进行插值以将其放大到两倍大小。 首先，让我们从 Packt Publishing 网站博客文章中下载练习图像： [https://www.packtpub.com/books/content/python-data-scientists](https://www.packtpub.com/books/content/python-data-scientists) 。 将映像另存为本地目录`scientist.png`。
+在前面的部分中，您学习了如何将`numpy.fft`用于一个一维和多维`ndarray`，并在幕后了解了实现细节。 现在是一些应用程序的时候了。 在本节中，我们将使用傅立叶变换进行一些图像处理。 我们将分析光谱，然后对图像进行插值以将其放大到两倍大小。 首先，[让我们从 Packt Publishing 网站博客文章中下载练习图像](https://www.packtpub.com/books/content/python-data-scientists)。 将映像另存为本地目录`scientist.png`。
 
 ![Fourier transform application](img/00027.jpeg)
 

docs/numpy-essentials/7.md

@@ -14,7 +14,7 @@
 
 # 准备工具
 
-要在您的系统上安装`setuptools`，您需要先从 [https://pypi.python.org/pypi/setuptools](https://pypi.python.org/pypi/setuptools) 下载系统中的`ez_setup.py`，然后从命令提示符处执行以下操作 ：
+要在您的系统上安装`setuptools`，您需要先从[这里](https://pypi.python.org/pypi/setuptools)下载系统中的`ez_setup.py`，然后从命令提示符处执行以下操作 ：
 
 ```py
     $ python ez_setup.py
@@ -99,7 +99,7 @@ setup(
 *   `version`：-这是您的项目的版本。 这将附加到安装程序名称的末尾。
 *   `long_description`-在 PyPI 网站上显示时，它将转换为 HTML。 它应该包含有关您的项目打算提供的信息。 您可以直接在脚本中编写它； 但是，最佳实践是维护`README`文件并从此处读取说明。
 *   `install_required`-这是用于添加安装依赖性的列表。 您将添加代码中使用的第三方模块的名称和版本。 请注意遵循约定以在此处指定版本。
-*   `classifiers`-当您在 PyPI 网站上上传软件包时，将选中此选项。 您应该从以下网站提供的选项中进行选择： [https://pypi.python.org/pypi?:action=list_classifiers](https://pypi.python.org/pypi?:action=list_classifiers)
+*   `classifiers`-当您在 PyPI 网站上上传软件包时，将选中此选项。 [您应该从以下网站提供的选项中进行选择](https://pypi.python.org/pypi?:action=list_classifiers)。
 
 现在，使用`build`选项运行`setup.py`应该不会给您任何错误，并生成带有`.egg-info`后缀的文件夹。 此时，您可以使用`sdist`选项运行`setup.py`，并创建一个可以与世界共享的软件包。
 
@@ -124,7 +124,7 @@ python setup.py install
 
 ## 添加 NumPy 和非 Python 源代码
 
-接下来，我们将研究一些特定于 NumPy 的代码，并了解如何提高设置的错误处理能力； 通常，我们将探索一些良好的编程习惯。 我们还将展示如何将非 Python 源（`c,fortran`或`f2py`）添加到安装程序中。 以下分析显示了完整代码的一部分，您可以在随附的代码文件中或在 [https://bitbucket.org/tdatta/books/](https://bitbucket.org/tdatta/books/) 中找到这些代码：
+接下来，我们将研究一些特定于 NumPy 的代码，并了解如何提高设置的错误处理能力； 通常，我们将探索一些良好的编程习惯。 我们还将展示如何将非 Python 源（`c,fortran`或`f2py`）添加到安装程序中。 以下分析显示了完整代码的一部分，您可以在随附的代码文件中或在[这个页面](https://bitbucket.org/tdatta/books/)中找到这些代码：
 
 ```py
 if sys.version_info[0] < 3: 

docs/numpy-essentials/8.md

@@ -30,7 +30,7 @@ Cython 编程语言是 Python 的超集，用户仍然喜欢 Python 所提供的
 
 Cython 是一个将类型定义的 Python 代码转换为 C 代码的编译器，该代码仍在 Python 环境中运行。 最终输出是本机代码，其运行速度比 Python 生成的字节码快得多。 在大量使用循环的代码中，Python 代码加速的幅度更加明显。 为了编译 C 代码，首要条件是在计算机上安装 C/C++ 编译器，例如`gcc`（Linux）或`mingw`（Windows）。
 
-第二步是安装 Cython。 Cython 与其他带有 Python 模块的库一样，可以使用任何首选的方法（pip，easy_install 等）进行安装。 完成这两个步骤后，您可以通过尝试从 Shell 调用 Cython 来测试设置。 如果收到错误消息，则说明您错过了第二步，需要重新安装 Cython 或从 Cython 官方网站（ [http://cython.org/#download](http://cython.org/#download) ）下载 TAR 归档文件，然后 从此下载的`root`文件夹中运行以下命令：
+第二步是安装 Cython。 Cython 与其他带有 Python 模块的库一样，可以使用任何首选的方法（pip，easy_install 等）进行安装。 完成这两个步骤后，您可以通过尝试从 Shell 调用 Cython 来测试设置。 如果收到错误消息，则说明您错过了第二步，需要重新安装 Cython 或从 [Cython 官方网站](http://cython.org/#download)下载 TAR 归档文件，然后 从此下载的`root`文件夹中运行以下命令：
 
 ```py
  python setup.py install 

docs/numpy-essentials/9.md

@@ -21,7 +21,7 @@ NumPy 是一个通用库，旨在满足科学应用程序开发人员的大多
 
 ### 提示
 
-开发人员可以尝试使用称为 **cpychecker** 的工具来检查模块中的引用计数时的常见错误。 请访问 [http://gcc-python-plugin.readthedocs.org/en/latest/cpychecker.html](http://gcc-python-plugin.readthedocs.org/en/latest/cpychecker.html) 了解更多详细信息。
+开发人员可以尝试使用称为 **cpychecker** 的工具来检查模块中的引用计数时的常见错误。 请访问[这里](http://gcc-python-plugin.readthedocs.org/en/latest/cpychecker.html)了解更多详细信息。
 
 # 扩展模块的基本结构
 
@@ -122,7 +122,7 @@ static PyMethodDefApi_methods[] =
 
 # 使用 Python C-API 创建数组平方函数
 
-Python 函数将对自身的引用作为第一个参数，然后是赋予该函数的真实参数。 `PyArg_ParseTuple`函数用于将 Python 函数中的值解析为 C 函数中的局部变量。 在此函数中，我们将值强制转换为双精度，因此我们将`d`用作第二个参数。 您可以在 [https://docs.python.org/2/c-api/arg.html](https://docs.python.org/2/c-api/arg.html) 上查看此函数接受的字符串的完整列表。
+Python 函数将对自身的引用作为第一个参数，然后是赋予该函数的真实参数。 `PyArg_ParseTuple`函数用于将 Python 函数中的值解析为 C 函数中的局部变量。 在此函数中，我们将值强制转换为双精度，因此我们将`d`用作第二个参数。 您可以在[这个页面](https://docs.python.org/2/c-api/arg.html)上查看此函数接受的字符串的完整列表。
 
 使用`Py_Buildvalue`返回计算的最终结果，它使用类似类型的格式字符串从您的答案中创建 Python 值。 我们在这里使用`f`表示浮点数，以证明对 double 和 float 的处理方式类似：