7.15

docs/7.15.md

@@ -8,7 +8,7 @@
 > 
 > 本节是[《Python 数据科学手册》](https://github.com/jakevdp/PythonDataScienceHandbook)（Python Data Science Handbook）的摘录。
 
-我们在前面的章节中已经看到，PyData 技术栈的力量，建立在 NumPy 和 Pandas 通过直观语法，将基本操作推送到 C 的能力的基础上：例如 NumPy 中的下你给量化/广播操作，以及 Pandas 的分组类型操作。虽然这些抽象对于许多常见用例是高效且有效的，但它们通常依赖于临时中间对象的创建，这可能产生计算时间和内存使用的开销。
+我们在前面的章节中已经看到，PyData 技术栈的力量，建立在 NumPy 和 Pandas 通过直观语法，将基本操作推送到 C 的能力的基础上：例如 NumPy 中的向量化/广播操作，以及 Pandas 的分组类型操作。虽然这些抽象对于许多常见用例是高效且有效的，但它们通常依赖于临时中间对象的创建，这可能产生计算时间和内存使用的开销。
 
 从版本 0.13（2014 年 1 月发布）开始，Pandas 包含一些实验性工具，允许你直接访问速度和 C 一样的操作，而无需昂贵的中间数组分配。这些是``eval()``和``query()``函数，它依赖于 [Numexpr](https://github.com/pydata/numexpr) 包。在这个笔记本中，我们将逐步介绍它们的使用方法，并提供一些何时可以考虑使用它们的经验法则。
 
@@ -253,7 +253,7 @@ df.head()
 
 ### `DataFrame.eval()`中的局部变量
 
-``DataFrame.eval（）``方法支持一种额外的语法，可以使用 Python 局部变量。考虑以下：
+``DataFrame.eval()``方法支持一种额外的语法，可以使用 Python 局部变量。考虑以下：
 
 ```py
 column_mean = df.mean(1)
@@ -315,7 +315,7 @@ tmp3 = tmp1 & tmp2
 x = df[tmp3]
 ```
 
-如果临时``DataFrame`的大小与可用的系统内存（通常是几千兆字节）相比很大，那么使用``eval()``或``query()``表达式是个好主意。你可以使用以下方法检查数组的大致大小（以字节为单位）：
+如果临时`DataFrame`的大小与可用的系统内存（通常是几千兆字节）相比很大，那么使用``eval()``或``query()``表达式是个好主意。你可以使用以下方法检查数组的大致大小（以字节为单位）：
 
 ```py
 df.values.nbytes