diff --git a/docs/0.21.3/37.md b/docs/0.21.3/37.md
index 3c5371898545adcf8447a3ab5c35c2bcf7acb6a0..f57db982e3d2e8164f395297999fe6847bed319d 100644
--- a/docs/0.21.3/37.md
+++ b/docs/0.21.3/37.md
@@ -2,7 +2,7 @@
 
 scikit-learn 提供了一个用于转换数据集的库, 它也许会 clean（清理）（请参阅 [预处理数据](40.md#53-预处理数据)）, reduce（减少）（请参阅 [无监督降维](42.md#55-无监督降维)）, expand（扩展）（请参阅 [内核近似](44.md#57-内核近似)）或 generate（生成）（请参阅 [特征提取](39.md#52-特征提取)） feature representations（特征表示）.
 
-像其它预估计一样, 它们由具有 `fit` 方法的类来表示, 该方法从训练集学习模型参数（例如, 归一化的平均值和标准偏差）以及将该转换模型应用于 `transform` 方法到不可见数据. 同时 `fit_transform` 可以更方便和有效地建模与转换训练数据.
+像其它预估计一样, 它们由具有 `fit` 方法的类来表示, 该方法从训练集学习模型参数（例如, 归一化的平均值和标准偏差）以及`transform` 方法将该转换模型应用于不可见数据. 同时 `fit_transform` 可以更方便和有效地建模与转换训练数据.
 
 将 [Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器](38.md#51-pipeline（管道）和-featureunion（特征联合）--合并的评估器) 中 transformers（转换）使用并行的或者串联的方式合并到一起. [成对的矩阵, 类别和核函数](45.md#58-成对的矩阵,-类别和核函数) 涵盖将特征空间转换为 affinity matrices（亲和矩阵）, 而 [预测目标 (y) 的转换](46.md#59-预测目标--的转换) 考虑在 scikit-learn 中使用目标空间的转换（例如. 标签分类）.
 
@@ -21,6 +21,7 @@ scikit-learn 提供了一个用于转换数据集的库, 它也许会 clean（
     * [5.3.2 非线性转换](40.md#532-非线性转换)
     * [5.3.3 归一化](40.md#533-归一化)
     * [5.3.4 类别特征编码](40.md#534-类别特征编码)
+    * [5.3.5 离散化](40.md#535-离散化)
     * [5.3.6 缺失值补全](40.md#536-缺失值补全)
     * [5.3.7 生成多项式特征](40.md#537-生成多项式特征)
     * [5.3.8 自定义转换器](40.md#538-自定义转换器)
diff --git a/docs/0.21.3/38.md b/docs/0.21.3/38.md
index a91b543e9136a50bca5cf20ada1739c02885c1e5..78d6b79d622b4532da42399c78f189ef601c6126 100644
--- a/docs/0.21.3/38.md
+++ b/docs/0.21.3/38.md
@@ -157,28 +157,28 @@ Pipeline(...,
 >**警告**:缓存转换器的副作用
 >
 >使用 [`Pipeline`](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.Pipeline.html#sklearn.pipeline.Pipeline "sklearn.pipeline.Pipeline") 而不开启缓存功能,还是可以通过查看原始实例的，例如:
->```py
+>
+```py
   >>> from sklearn.datasets import load_digits
   >>> digits = load_digits()
   >>> pca1 = PCA()
   >>> svm1 = SVC(gamma='scale')
   >>> pipe = Pipeline([('reduce_dim', pca1), ('clf', svm1)])
   >>> pipe.fit(digits.data, digits.target)
-  ...
   Pipeline(memory=None,
            steps=[('reduce_dim', PCA(...)), ('clf', SVC(...))],
            verbose=False)
   >>> # The pca instance can be inspected directly
   >>> print(pca1.components_)
       [[-1.77484909e-19  ... 4.07058917e-18]]
-    ```
+```
 >开启缓存会在适配前触发转换器的克隆。因此，管道的转换器实例不能被直接查看。 在下面例子中， 访问 `PCA` 实例 `pca2` 将会引发 `AttributeError` 因为 `pca2` 是一个未适配的转换器。 这时应该使用属性 `named_steps` 来检查管道的评估器:
->```py
+>
+```py
   >>> cachedir = mkdtemp()
   >>> pca2 = PCA()
   >>> svm2 = SVC(gamma='scale')
-  >>> cached_pipe = Pipeline([('reduce_dim', pca2), ('clf', svm2)],
-  ...                        memory=cachedir)
+  >>> cached_pipe = Pipeline([('reduce_dim', pca2), ('clf', svm2)],memory=cachedir)
   >>> cached_pipe.fit(digits.data, digits.target)
   ...
    Pipeline(memory=...,
@@ -189,7 +189,7 @@ Pipeline(...,
       [[-1.77484909e-19  ... 4.07058917e-18]]
   >>> # Remove the cache directory
   >>> rmtree(cachedir)
-  ```
+```
 
 > **示例** :
 >*   [Selecting dimensionality reduction with Pipeline and GridSearchCV](https://scikit-learn.org/stable/auto_examples/plot_compare_reduction.html#sphx-glr-auto-examples-plot-compare-reduction-py)