股票代码一律写进内联代码中

docs/numpy-beginners-guide-3e/ch03.md

@@ -76,7 +76,7 @@ np.savetxt("eye.txt", i2))
 
 ## 实战时间 – 从 CSV 文件加载
 
-我们如何处理 CSV 文件？ 幸运的是，`loadtxt()`函数可以方便地读取 CSV 文件，拆分字段并将数据加载到 NumPy 数组中。 在以下示例中，我们将加载苹果（公司而不是水果）的历史股价数据。 数据为 CSV 格式，是本书代码集的一部分。 第一列包含一个标识股票的符号。 在我们的情况下，它是 AAPL。 第二个是`dd-mm-yyyy`格式的日期。 第三列为空。 然后，依次获得开盘价，最高价，最低价和收盘价。 最后但并非最不重要的是当天的交易量。 这是一行的样子：
+我们如何处理 CSV 文件？ 幸运的是，`loadtxt()`函数可以方便地读取 CSV 文件，拆分字段并将数据加载到 NumPy 数组中。 在以下示例中，我们将加载苹果（公司而不是水果）的历史股价数据。 数据为 CSV 格式，是本书代码集的一部分。 第一列包含一个标识股票的符号。 在我们的情况下，它是`AAPL`。 第二个是`dd-mm-yyyy`格式的日期。 第三列为空。 然后，依次获得开盘价，最高价，最低价和收盘价。 最后但并非最不重要的是当天的交易量。 这是一行的样子：
 
 ```py
 AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800

docs/numpy-beginners-guide-3e/ch04.md

@@ -20,7 +20,7 @@
 
 ## 实战时间 – 交易相关货币对
 
-在本节中，我们将使用两个样本数据集，其中包含日末价格数据。 第一家公司是 BHP（BHP），该公司活跃于石油，金属和钻石的开采。 第二个是淡水河谷（VALE），这也是一家金属和采矿公司。 因此，活动有一些重叠，尽管不是 100%。 要评估相关对，请按照下列步骤操作：
+在本节中，我们将使用两个样本数据集，其中包含日末价格数据。 第一家公司是必和必拓（`BHP`），该公司活跃于石油，金属和钻石的开采。 第二个是淡水河谷（`VALE`），这也是一家金属和采矿公司。 因此，活动有一些重叠，尽管不是 100%。 要评估相关对，请按照下列步骤操作：
 
 1.  首先，从本章示例代码目录中的 CSV 文件加载数据，特别是两种证券的收盘价，并计算收益。 如果您不记得该怎么做，请参阅第 3 章，“熟悉常用功能”中的示例。
 2.  协方差告诉我们两个变量如何一起变化；[无非就是相关性](https://www.khanacademy.org/math/probability/regression/regression-correlation/v/covariance-and-the-regression-line)：
@@ -98,7 +98,7 @@
 
     ```
 
-    对角线上的值仅是 BHP 和 VALE 与它们自身的相关性，因此等于 1。在任何可能性下，都不会进行任何实际计算。 由于相关性是对称的，因此其他两个值彼此相等，这意味着 BHP 与 VALE 的相关性等于 VALE 与 BHP 的相关性。 似乎这里的相关性不是那么强。
+    对角线上的值仅是`BHP`和`VALE`与它们自身的相关性，因此等于 1。在任何可能性下，都不会进行任何实际计算。 由于相关性是对称的，因此其他两个值彼此相等，这意味着`BHP`与`VALE`的相关性等于`VALE`与`BHP`的相关性。 似乎这里的相关性不是那么强。
 
 7.  另一个要点是，正在考虑的两只股票是否同步。 如果两只股票的差额是与均值之差的两个标准差，则认为它们不同步。
 
@@ -144,7 +144,7 @@
 
 ### 刚刚发生了什么？
 
-我们分析了 BHP 和 VALE 收盘价的关系。 确切地说，我们计算了他们的股票收益的相关性。 我们通过  `corrcoef()`函数实现了这一目标。 此外，我们看到了如何计算可以从中得出相关性的协方差矩阵。 另外，我们演示了`diagonal()`和`trace()`方法，它们分别为我们提供对角线值和矩阵迹线。 有关源代码，请参见本书代码包中的`correlation.py`文件：
+我们分析了`BHP`和`VALE`收盘价的关系。 确切地说，我们计算了他们的股票收益的相关性。 我们通过  `corrcoef()`函数实现了这一目标。 此外，我们看到了如何计算可以从中得出相关性的协方差矩阵。 另外，我们演示了`diagonal()`和`trace()`方法，它们分别为我们提供对角线值和矩阵迹线。 有关源代码，请参见本书代码包中的`correlation.py`文件：
 
 ```py
 from __future__ import print_function
@@ -215,7 +215,7 @@ Q1. 哪个函数返回两个数组的协方差？
 
 NumPy `polyfit()`函数拟合多项式的一组数据点，即使基础函数不是连续的：
 
-1.  继续使用 BHP 和 VALE 的价格数据，查看其收盘价之间的差异，并将其拟合为三次方的多项式：
+1.  继续使用`BHP`和`VALE`的价格数据，查看其收盘价之间的差异，并将其拟合为三次方的多项式：
 
     ```py
     bhp=np.loadtxt('BHP.csv', delimiter=',', usecols=(6,), unpack=True)
@@ -245,7 +245,7 @@ NumPy `polyfit()`函数拟合多项式的一组数据点，即使基础函数不
 
     ```
 
-3.  理想情况下，BHP 和 VALE 的收盘价之间的差异应尽可能小。 在极端情况下，它有时可能为零。 使用`roots()`函数找出多项式拟合何时达到零：
+3.  理想情况下，`BHP`和`VALE`的收盘价之间的差异应尽可能小。 在极端情况下，它有时可能为零。 使用`roots()`函数找出多项式拟合何时达到零：
 
     ```py
     print( "Roots", np.roots(poly))
@@ -633,7 +633,7 @@ print("Average loss %", round(np.mean(losing_trades) * 100, 2))
 
     ```
 
-2.  使用具有标准化权重的`convolve()`计算 BHP 和 VALE 报价的股票收益：
+2.  使用具有标准化权重的`convolve()`计算`BHP`和`VALE`报价的股票收益：
 
     ```py
     bhp = np.loadtxt('BHP.csv', delimiter=',', usecols=(6,), unpack=True)
@@ -660,7 +660,7 @@ print("Average loss %", round(np.mean(losing_trades) * 100, 2))
 
     ![Time for action – smoothing with the hanning() function](img/4154_04_03.jpg)
 
-    上图的细线是股票收益，粗线是平滑的结果。 如您所见，这些线交叉了几次。 这些点可能很重要，因为趋势可能在那里更改了  。 或者至少，BHP 与 VALE 的关系可能已更改。 这些拐点可能经常发生，因此我们可能希望展望未来。
+    上图的细线是股票收益，粗线是平滑的结果。 如您所见，这些线交叉了几次。 这些点可能很重要，因为趋势可能在那里更改了  。 或者至少，`BHP`与`VALE`的关系可能已更改。 这些拐点可能经常发生，因此我们可能希望展望未来。
 
 4.  将平滑步骤的结果拟合为多项式，如下所示：
 

docs/numpy-beginners-guide-3e/ch07.md

@@ -26,7 +26,7 @@ NumPy 具有几个数据排序例程：
 
 NumPy `lexsort()`函数返回输入数组元素的索引数组，这些索引对应于按词法对数组进行排序。 我们需要给函数一个数组或排序键元组：
 
-1.  让我们回到第 3 章，“熟悉常用功能”。 在该章中，我们使用了 APL 的股价数据。 我们将加载收盘价和（总是复杂的）日期。 实际上，只为日期创建一个转换器函数：
+1.  让我们回到第 3 章，“熟悉常用功能”。 在该章中，我们使用了`AAPL`的股价数据。 我们将加载收盘价和（总是复杂的）日期。 实际上，只为日期创建一个转换器函数：
 
     ```py
     def datestr2num(s):
@@ -53,7 +53,7 @@ NumPy `lexsort()`函数返回输入数组元素的索引数组，这些索引对
 
 ### 刚刚发生了什么？
 
-我们使用 NumPy `lexsort()`函数按词法对 AAPL 的收盘价进行分类。 该函数返回与数组排序相对应的索引（请参见`lex.py`）：
+我们使用 NumPy `lexsort()`函数按词法对`AAPL`的收盘价进行分类。 该函数返回与数组排序相对应的索引（请参见`lex.py`）：
 
 ```py
 from __future__ import print_function
@@ -608,7 +608,7 @@ NumPy `blackman()`函数返回布莱克曼窗口。 唯一参数是输出窗口
 
 ## 实战时间 – 使用布莱克曼窗口平滑股票价格
 
-让我们从小型 APL 股价数据文件中平滑收盘价：
+让我们从小型`AAPL`股价数据文件中平滑收盘价：
 
 1.  将数据加载到 NumPy 数组中。 调用 NumPy `blackman()`函数形成一个窗口，然后使用该窗口平滑价格信号：
 
@@ -629,13 +629,13 @@ NumPy `blackman()`函数返回布莱克曼窗口。 唯一参数是输出窗口
     plt.show()
     ```
 
-    使用布莱克曼窗口平滑的 AAPL 收盘价应如下所示：
+    使用布莱克曼窗口平滑的`AAPL`收盘价应如下所示：
 
     ![Time for action – smoothing stock prices with the Blackman window](img/4154_07_03.jpg)
 
 ### 刚刚发生了什么？
 
-我们从样本数据文件中绘制了 APL 的收盘价，该价格使用布莱克曼窗口和 NumPy `blackman()`函数进行了平滑处理（请参见`plot_blackman.py`）：
+我们从样本数据文件中绘制了`AAPL`的收盘价，该价格使用布莱克曼窗口和 NumPy `blackman()`函数进行了平滑处理（请参见`plot_blackman.py`）：
 
 ```py
 import numpy as np