diff --git a/D2_of_3Day_DoneWithPython.md b/D2_of_3Day_DoneWithPython.md
index a527cd9..bcff5f5 100644
--- a/D2_of_3Day_DoneWithPython.md
+++ b/D2_of_3Day_DoneWithPython.md
@@ -1,9 +1,6 @@
-
-
-
 # 《三天搞定Python基础概念之第二天》 Day 2 
 
-### Day2，即第二篇主要是讲一些偏计算的Library的使用，也就是numpy，scipy，sympy和matplotlib。
+### Day2，即第二篇主要是讲一些偏计算的Library的使用，也就是numpy, scipy, sympy和matplotlib。
 
 ```
 前言：
@@ -24,7 +21,7 @@
 ```python
 ```
 
-## 大纲（ Outline）
+## 大纲( Outline)
 
 * 第1天：Python和科学编程介绍。 Python中的基础知识：  
   - 数据类型  
@@ -32,7 +29,7 @@
   - 功能  
   - I/O文件
 
-* 第2天：用Numpy，Scipy，Matplotlib和其他模块进行计算。 用Python解决一些数学问题。
+* 第2天：用Numpy, Scipy, Matplotlib和其他模块进行计算。 用Python解决一些数学问题。
 
 * 第3天：时间序列：用Pandas进行统计和实际数据分析。 随机和蒙特卡罗。
 
@@ -113,15 +110,16 @@ from scipy.stats import norm
 
 ```python
 import timeit
-def funl (x, y):      
-     return x**2 + y**3
 
-t_start  =  timeit.default_timer()
-z =  funl(109.2, 367.1)
-t_end  =   timeit.default_timer()
+def funl(x, y):      
+    return x**2 + y**3
 
-cost  =  t_end -t_start
-print ( 'Time cost of funl is  %f' %cost)
+t_start = timeit.default_timer()
+z = funl(109.2, 367.1)
+t_end = timeit.default_timer()
+
+cost = t_end - t_start
+print('Time cost of funl is %f' % cost)
 ```
 
 ------------------------------以下为英文原文-------------------------------------
@@ -130,13 +128,16 @@ print ( 'Time cost of funl is  %f' %cost)
 
 ```python
 import timeit
-def  funl (x, y):      
-return x**2 + y**3
-t_start  =  timeit.default_timer()
-z =  funl(109.2, 367.1)
-t_end  =   timeit.default_timer()
-cost  =  t_end -t_start
-print ( 'Time cost of funl is  %f' %cost)
+
+def funl(x, y):      
+    return x**2 + y**3
+
+t_start = timeit.default_timer()
+z = funl(109.2, 367.1)
+t_end = timeit.default_timer()
+
+cost = t_end - t_start
+print('Time cost of funl is %f' % cost)
 ```
 
 
@@ -151,14 +152,14 @@ print ( 'Time cost of funl is  %f' %cost)
 ## 我们会遇到的模块
 
 * NumPy：多维数组的有效操作。 高效的数学函数。
-* Matplotlib：可视化：2D和（最近）3D图
+* Matplotlib：可视化：2D和(最近)3D图
 * SciPy：大型库实现各种数值算法，例如：            
   - 线性和非线性方程的解
   - 优化
   - 数值整合
 
-* Sympy：符号计算（解析的 Analytical）
-* Pandas：统计与数据分析（明天）
+* Sympy：符号计算(解析的 Analytical)
+* Pandas：统计与数据分析(明天)
 
 ------------------------------以下为英文原文-------------------------------------
 
@@ -187,8 +188,8 @@ print ( 'Time cost of funl is  %f' %cost)
 
 
 ## ndarray类型
-* NumPy提供了一种新的数据类型：ndarray（n维数组）。
-  - 与元组和列表不同，数组只能存储相同类型的对象（例如只有floats或只有ints）  
+* NumPy提供了一种新的数据类型：ndarray(n维数组)。
+  - 与元组和列表不同，数组只能存储相同类型的对象(例如只有floats或只有ints)  
   - 这使得数组上的操作比列表快得多; 此外，阵列占用的内存少于列表。  
   - 数组为列表索引机制提供强大的扩展。
 
@@ -216,7 +217,7 @@ print ( 'Time cost of funl is  %f' %cost)
 
 ## 创建ndarray
 
-* 我们导入Numpy（在脚本的开头或终端）：
+* 我们导入Numpy(在脚本的开头或终端)：
 
 ```python
 import numpy as np
@@ -225,12 +226,12 @@ import numpy as np
 * 然后我们创建numpy数组：
 
 ```python
-In [1] : np.array([2, 3, 6, 7])   
-Out[l] : array([2, 3, 6, 7])   
-In [2] : np.array([2, 3, 6, 7.])   
-Out [2] :  array([ 2.,  3.,  6., 7.])  <- Hamogenaous   
-In  [3] :  np.array( [2,  3,  6,  7+ij])   
-Out [3] :  array([ 2.+O.j,  3.+O.j,  6.+O.j,  7.+1.j])
+In [1]: np.array([2, 3, 6, 7])   
+Out[1]: array([2, 3, 6, 7])   
+In [2]: np.array([2, 3, 6, 7.])   
+Out[2]: array([2., 3., 6., 7.])  <- Hamogenaous   
+In [3]: np.array([2, 3, 6, 7+1j])   
+Out[3]: array([ 2.+O.j, 3.+O.j, 6.+O.j, 7.+1.j])
 ```
 
 
@@ -244,12 +245,12 @@ import numpy as np
 * Then we create numpy arrays:   
 
 ```python
-In [1] : np.array([2, 3, 6, 7])   
-Out[l] : array([2, 3, 6, 7])   
-In [2] : np.array([2, 3, 6, 7.])   
-Out [2] :  array([ 2.,  3.,  6., 7.])  <- Hamogenaous   
-In  [3] :  np.array( [2,  3,  6,  7+ij])   
-Out [3] :  array([ 2.+O.j,  3.+O.j,  6.+O.j,  7.+1.j])
+In [1]: np.array([2, 3, 6, 7])   
+Out[1]: array([2, 3, 6, 7])   
+In [2]: np.array([2, 3, 6, 7.])   
+Out[2]: array([ 2., 3., 6., 7.])  <- Hamogenaous   
+In [3]: np.array( [2, 3, 6, 7+ij])   
+Out[3]: array([ 2.+O.j, 3.+O.j, 6.+O.j, 7.+1.j])
 ```
 
 
@@ -263,24 +264,23 @@ Out [3] :  array([ 2.+O.j,  3.+O.j,  6.+O.j,  7.+1.j])
 * arange：
 
 ```python          
-in[1]：np.arange（5）
-Out [l]：array（[0，1，2，3，4]）
+In [1]: np.arange(5)
+Out[1]: array([0, 1, 2, 3, 4])
 ```
 
 range(start, stop, step)的所有三个参数即起始值，结束值，步长都是可以用的 另外还有一个数据的dtype参数 
   
   
 ```python
-  in[2]：np.arange（10，100，20，dtype = float）
-  Out [2]：array（[10.，30.，50.，70.，90.]）
+In [2]: np.arange(10, 100, 20, dtype=float)
+Out[2]: array([10., 30., 50., 70., 90.])
 ```
   
-* linspace（start，stop，num）返回数字间隔均匀的样本，按区间[start，stop]计算：
+* linspace(start, stop, num)返回数字间隔均匀的样本，按区间[start, stop]计算：
 
 ```python
-  in[3]：np.linspace（0.，2.5，5）         
-  Out [3]：array([0.，0.625，1.25，1.875，2.5])
-  
+In [3]: np.linspace(0., 2.5, 5)         
+Out[3]: array([0., 0.625, 1.25, 1.875, 2.5])
 ```  
   
   
@@ -297,19 +297,19 @@ range(start, stop, step)的所有三个参数即起始值，结束值，步长
 ## 多维数组矩阵  (Matrix by multidimensional array)
 
 ```python
-In [1] : a = np.array([[l, 2, 3]  [4, 5, 6]])
+In [1]: a = np.array([[l, 2, 3]  [4, 5, 6]])
                           ^ 第一行 (Row 1)
-In  [2] : a
-Out [2] : array([[l, 2,  3] ,   [4,  5,  6]])
+In [2]: a
+Out[2]: array([[l, 2,  3] ,   [4,  5,  6]])
 
-In  [3] : a.shape  #<- 行、列数等 (Number of rows, columns etc.)
-Out [3] : (2,3)
+In [3]: a.shape  #<- 行、列数等 (Number of rows, columns etc.)
+Out[3]: (2,3)
 
-In  [4] : a.ndim   #<- 维度数  (Number of dimensions)
-Out [4] : 2
+In [4]: a.ndim   #<- 维度数  (Number of dimensions)
+Out[4]: 2
 
-In  [5] : a,size   #<- 元素数量 (Total number of elements)
-Out [5] : 6
+In [5]: a,size   #<- 元素数量 (Total number of elements)
+Out[5]: 6
 ```
 
 
@@ -325,11 +325,11 @@ Out [5] : 6
 ```python
 import numpy as np
 
-a = np .arange(0, 20, 1) ＃1维
-b = a.reshape((4, 5))   ＃4行5列
-c = a.reshape((20, 1))  ＃2维
-d = a.reshape((-1, 4))  ＃-1：自动确定
-＃a.shape =(4, 5) ＃改变a的形状
+a = np .arange(0, 20, 1)  ＃ 1维
+b = a.reshape((4, 5))  ＃ 4行5列
+c = a.reshape((20, 1))  ＃ 2维
+d = a.reshape((-1, 4))  ＃ -1：自动确定
+＃a.shape = (4, 5)  ＃ 改变a的形状
 ```
 
 
@@ -339,11 +339,11 @@ d = a.reshape((-1, 4))  ＃-1：自动确定
 ```
 
 
-##  Size（N，），（N，1）和（1，N）是不同的!!!
+##  Size(N,), (N, 1)和(1, N)是不同的!!!
 
-* Size（N, ）表示数组是一维的。
-* Size（N，1）表示数组是维数为2, N列和1行。
-* Size（1，N）表示数组是维数为2, 1行和N列。
+* Size(N, )表示数组是一维的。
+* Size(N, 1)表示数组是维数为2, N列和1行。
+* Size(1, N)表示数组是维数为2, 1行和N列。
 
 让我们看一个例子,如下
 
@@ -383,15 +383,15 @@ print(c)
 ## 使用完全相同的元素填充数组 (Filling arrays with identical elements)
 
 ```python
-In [1] : np.zeros(3)              # zero(),全0填充数组
-Out[l] : array([ O., 0., 0.])
+In [1]: np.zeros(3)              # zero(),全0填充数组
+Out[1]: array([ O., 0., 0.])
 
-In [2] : np.zeros((2, 2), complex)
-Out[2] : array([[ 0.+0.j, 0.+0.j],                
+In [2]: np.zeros((2, 2), complex)
+Out[2]: array([[ 0.+0.j, 0.+0.j],                
                 [ 0.+O.j, 0.+0.j]])
 
-In [3] : np.ones((2, 3))          # ones(),全1填充数组
-Out[3] : array([[ 1., 1., 1.],
+In [3]: np.ones((2, 3))          # ones(),全1填充数组
+Out[3]: array([[ 1., 1., 1.],
                 [ 1., 1., 1.]])
 ```
 
@@ -408,17 +408,17 @@ Out[3] : array([[ 1., 1., 1.],
 * rand: 0和1之间均匀分布的随机数  (random numbers uniformly distributed between 0 and 1)
 
 ```python   
-   In [1] : np.random.rand(2, 4)   
-   Out[1] : array([[ 0.373767 , 0.24377115, 0.1050342 , 0.16582644] , 
-                   [ 0.31149806, 0.02596055, 0.42367316, 0.67975249l])
+In [1]: np.random.rand(2, 4)   
+Out[1]: array([[0.373767 , 0.24377115, 0.1050342, 0.16582644], 
+              [0.31149806, 0.02596055, 0.42367316, 0.67975249]])
 ```
 
-* randn: 均值为0，标准差为1的标准（高斯）正态分布  {standard normal (Gaussian) distribution with mean 0 and variance 1} 
+* randn: 均值为0，标准差为1的标准(高斯)正态分布  {standard normal (Gaussian) distribution with mean 0 and variance 1} 
 
 ```python
-  In [2]: np.random.randn(2, 4)  
-  Out[2]: array([[ O.87747152, 0.39977447, -0.83964985, -1.05129899], 
-                 [-1.07933484, 0.49448873,   -1.32648606, -0.94193424]])
+In [2]: np.random.randn(2, 4)  
+Out[2]: array([[0.87747152, 0.39977447, -0.83964985, -1.05129899], 
+              [-1.07933484, 0.49448873, -1.32648606, -0.94193424]])
 ```
 
 * 其他标准分布也可以使用 (Other standard distributions are also available.)
@@ -430,37 +430,37 @@ Out[3] : array([[ 1., 1., 1.],
 
 
 
-## 数组切片（1D） (Array sliciing(1D))
+## 数组切片(1D) (Array sliciing(1D))
 
-* 以格式start：stop可以用来提取数组的片段（从开始到不包括stop）
+* 以格式start:stop可以用来提取数组的片段(从开始到不包括stop)
 
 ```python
-In [77]：a = np.array（[0，1，2，3，4]）
-Out[77]：array（[0，1，2，3，4]）
+In [77]: a = np.array([0, 1, 2, 3, 4])
+Out[77]: array([0, 1, 2, 3, 4])
 
-In [78]：a [1：3]        #<--index从0开始 ,所以1是第二个数字，即对应1到3结束，就是到第三个数字，对应是2
-Out[78]：array([1，2])
+In [78]: a [1: 3]        #<--index从0开始 ,所以1是第二个数字，即对应1到3结束，就是到第三个数字，对应是2
+Out[78]: array([1, 2])
 ```
 
 * start可以省略，在这种情况下，它被设置为零(Notes:貌似留空更合适)：
 
 ```python
-In [79]：a [:3]
-Out[79]：array（[0，1，2]）
+In [79]: a[:3]
+Out[79]: array([0, 1, 2])
 ```
 
 * stop也可以省略，在这种情况下它被设置为数组长度：
 
 ```python
-In [80]：a [1：]
-Out[80]：array（[1，2，3，4]）
+In [80]: a [1:]
+Out[80]: array([1, 2, 3, 4])
 ```
 
 * 也可以使用负指数，具有标准含义：
 
 ```python
-In [81]：a [1：-1]
-Out[81]：array（[1,2,3]）      # <-- stop为-1表示倒数第二个数
+In [81]: a [1:-1]
+Out[81]: array([1, 2, 3])      # <-- stop为-1表示倒数第二个数
 ```
 
 
@@ -472,27 +472,27 @@ Out[81]：array（[1,2,3]）      # <-- stop为-1表示倒数第二个数
 
 
 
-## 数组切片（1D）
+## 数组切片(1D)
 
-* 整个数组：a或a [：]  
+* 整个数组：a或a[:]  
 
 ```python
-In [77]：a = np.array（[0,1,2,3,4]）
-Out[77]：array（[0，1，2，3，4])
+In [77]: a = np.array([0, 1, 2, 3, 4])
+Out[77]: array([0, 1, 2, 3, 4])
 ```
-* 要获取，例如每个其他元素，您可以在第二个冒号后面指定第三个数字（步骤(step)）：  
+* 要获取，例如每个其他元素，您可以在第二个冒号后面指定第三个数字(步骤(step))：  
 ```python
-In [79]：a [：：2]
-Out[79]：array（[0，2，4]） 
+In [79]: a [::2]
+Out[79]: array([0, 2, 4]) 
 
-In [80]：a [1：4：2]
-Out[80]：array（[l，3]）
+In [80]: a [1:4:2]
+Out[80]: array([l, 3])
 ```
 * -1的这个步骤可用于反转数组：
 
 ```python
-In [81]：a [::-1]
-Out[81]：array（[4，3，2，1，0]）
+In [81]: a [::-1]
+Out[81]: array([4, 3, 2, 1, 0])
 ```
 
 
@@ -507,21 +507,21 @@ Out[81]：array（[4，3，2，1，0]）
 
 
 
-## 数组索引(2D)  （Array indexing (2D)）
+## 数组索引(2D) (Array indexing (2D))
 
-* 对于多维数组，索引是整数元组：(For multidimensional arrays, indices are tuples of integers:)  
+* 对于多维数组,索引是整数元组：(For multidimensional arrays, indices are tuples of integers:)  
 
 ```python
-In [93] :  a = np.arange(12) ; a.shape =  (3,  4);  a
-Out[93] :  array([[0,  1,  2,  3],
+In [93]:  a = np.arange(12) ; a.shape =  (3,  4);  a
+Out[93]:  array([[0,  1,  2,  3],
                   [4,  5,  6,  7],
                   [8, 9,  10, 11]])
 
-In [94] : a[1,2]
-Out[94] : 6
+In [94]: a[1,2]
+Out[94]: 6
 
-In [95] : a[1,-1]
-Out[95] : 7
+In [95]: a[1,-1]
+Out[95]: 7
 ```
 
 
@@ -537,31 +537,31 @@ Out[95] : 7
 
 
 
-## 数组切片（2D）：单行和列 (Array slicing (2D): single rows and columns)
+## 数组切片(2D)：单行和列 (Array slicing (2D): single rows and columns)
 
-* 索引的工作与列表完全相同：（Indexing works exactly like for lists:）
+* 索引的工作与列表完全相同：(Indexing works exactly like for lists:)
 
 ```python
-In [96] : a = np.arange(12); a.shape = (3, 4); a   
-Out[96] : array([[0, 1, 2, 3],
-                 [4, 5, 6, 7],
-                 [8, 9,10,11]])
+In [96]: a = np.arange(12); a.shape = (3, 4); a   
+Out[96]: array([[0, 1, 2, 3],
+                [4, 5, 6, 7],
+                [8, 9, 10, 11]])
 
-In [97] : a[:,1]
-Out[97] : array([1,5,9])
+In [97]: a[:,1]
+Out[97]: array([1,5,9])
 
-In [98] : a[2,:]
-Out[98] : array([ 8, 9, 10, 11])
+In [98]: a[2,:]
+Out[98]: array([8, 9, 10, 11])
 
-In [99] : a[1][2]
-Out[99] : 6
+In [99]: a[1][2]
+Out[99]: 6
 ```
 
-* 不必明确提供尾随的冒号：（Trailing colons need not be given explicitly:）
+* 不必明确提供尾随的冒号：(Trailing colons need not be given explicitly:)
 
 ```python
-In [100] : a[2]
-Out[100] : array([8,9,10,11]) 
+In [100]: a[2]
+Out[100]: array([8, 9, 10, 11]) 
 ```
 
 
@@ -609,18 +609,18 @@ array([[20, 22, 24]      
 * 采用一个NumPy数组的切片可以在原始数组中创建一个视图。 两个数组都指向相同的内存。因此，当修改视图时，原始数组也被修改：
 
 ```python
-In [30] : a = np.arange(5); a
-Out[30] : array([0, 1, 2, 3, 4])
+In [30]: a = np.arange(5); a
+Out[30]: array([0, 1, 2, 3, 4])
 
-In [31] : b = a[2:]; b
-Out[31] : array([2, 3, 4])
+In [31]: b = a[2:]; b
+Out[31]: array([2, 3, 4])
 
-In [32] : b[0] = 100
-In [33] : b
+In [32]: b[0] = 100
+In [33]: b
 
-Out[33] : array([l00, 3, 4])
-In [34] : a
-Out[34] : array([0,1,100,3,4])
+Out[33]: array([100, 3, 4])
+In [34]: a
+Out[34]: array([0, 1, 100, 3, 4])
 ```
 
 
@@ -640,18 +640,18 @@ Out[34] : array([0,1,100,3,4])
 * 为避免修改原始数组，可以制作一个切片的副本 (To avoid modifying the original array, one can make a copy of a slice:)
 
 ```python
-In [30] : a = np.arange(5); a
-Out[30] : array([0, 1, 2, 3, 4])
+In [30]: a = np.arange(5); a
+Out[30]: array([0, 1, 2, 3, 4])
 
-In [31] : b = a[2:].copy(); b
-Out[31] : array([2, 3, 4])
+In [31]: b = a[2:].copy(); b
+Out[31]: array([2, 3, 4])
 
-In [32] : b[0] = 100
-In [33] : b
-Out[33] : array([1OO, 3, 4])
+In [32]: b[0] = 100
+In [33]: b
+Out[33]: array([1OO, 3, 4])
 
-In [34] : a 
-Out[34] : array([ 0,  1.  2,  3,  4])
+In [34]: a 
+Out[34]: array([0, 1, 2, 3, 4])
 
 ```
 
@@ -679,7 +679,7 @@ Out[3]: array([[1, 4],
                [9, 16]])            
 ```
 
-* 使用dot（）函数进行矩阵乘法：(Matrix multiplication is done with the dot() function:)
+* 使用dot()函数进行矩阵乘法：(Matrix multiplication is done with the dot() function:)
 
 ```python
 
@@ -697,19 +697,19 @@ Out[4]: array([[ 7, 10],
 
 ## 矩阵乘法
 
-* dot（）方法也适用于矩阵向量(matrix-vector)乘法：
+* dot()方法也适用于矩阵向量(matrix-vector)乘法：
 
 ```python
 
 In [1]: A
-Out[1]: array([[1, 2],[3, 4]])
+Out[1]: array([[1, 2], [3, 4]])
 
 In [2]: x = np.array([10, 20])
 In [3]: np.dot(A, x)
-Out[3]: array([ 50, 110])
+Out[3]: array([50, 110])
 
 In [4]: np.dot(x, A)
-Out[4]: array([ 70, 100])
+Out[4]: array([70, 100])
 
 ```
 
@@ -725,13 +725,13 @@ Out[4]: array([ 70, 100])
 *  savetxt()将表保存到文本文件。 (savetxt() saves a table to a text file.)     
 
 ```python     
-In  [1]: a = np,linspace(0. 1, 12); a,shape ' (3, 4); a
-Out [1] :
-array([[ O.  ,  0.09090909, 0.18181818,  0.27272727],
-[  0.36363636,  0.45454545, 0.54545455,  0.63636364],
-[  0.72727273,  0.81818182. 0.90909091,  1.]])
+In [1]: a = np.linspace(0, 1, 12); a,shape = (3, 4); a
+Out[1]: 
+array([[0. ,  0.09090909, 0.18181818, 0.27272727], 
+[0.36363636, 0.45454545, 0.54545455, 0.63636364], 
+[0.72727273, 0.81818182, 0.90909091, 1.]])
 
-In [2] : np.savetxt("myfile.txt", a)
+In [2]: np.savetxt("myfile.txt", a)
 ```
 
 
@@ -740,11 +740,11 @@ In [2] : np.savetxt("myfile.txt", a)
 * save()将表保存为Numpy“.npy”格式的二进制文件 (save() saves a table to a binary file in NumPy ".npy" format.)  
 
 ```python    
-  - In [3] : np.save("myfile" ,a)    
+In [3]: np.save("myfile", a)    
 ```
 
 
-  - 生成一个二进制文件myfile .npy，其中包含一个可以使用np.load（）加载的文件。 {produces a binary file myfile .npy that contains a and that can be loaded with np.load().}
+  - 生成一个二进制文件myfile .npy，其中包含一个可以使用np.load()加载的文件。 {produces a binary file myfile .npy that contains a and that can be loaded with np.load().}
 
 
 
@@ -761,9 +761,9 @@ In [2] : np.savetxt("myfile.txt", a)
 
 ## 将文本文件读入数组 (Reading text files into arrays)
 
-* loadtxt（）将以文本文件存储的表读入数组。 (loadtxt() reads a table stored as a text file into an array.)
+* loadtxt()将以文本文件存储的表读入数组。 (loadtxt() reads a table stored as a text file into an array.)
 
-* 默认情况下，loadtxt()假定列是用空格分隔的。 您可以通过修改可选的参数进行更改。 以散列（＃）开头的行将被忽略。 (By default, loadtxt() assumes that columns are separated with whitespace. You can change this by modifying optional parameters. Lines starting with hashes (#) are ignored.)
+* 默认情况下，loadtxt()假定列是用空格分隔的。 您可以通过修改可选的参数进行更改。 以散列(＃)开头的行将被忽略。 (By default, loadtxt() assumes that columns are separated with whitespace. You can change this by modifying optional parameters. Lines starting with hashes (#) are ignored.)
 
 * 示例文本文件data.txt： (Example text file data.txt:)
 
@@ -777,11 +777,11 @@ In [2] : np.savetxt("myfile.txt", a)
 * Code:
 
 ```python 
-   In [1] : tabla = np.loadtxt("data.txt")
-   In [2] : table
-   Out[2] :
-   array ([[ 1.99000000e+03,   -1.50000000e+00,   2.53000000e+01],    
-   [ 1.9910000e+03,  -3.2000000e+00,  2.12000000e+01]
+In [1]: tabla = np.loadtxt("data.txt")
+In [2]: table
+Out[2]: 
+array([[1.99000000e+03, -1.50000000e+00, 2.53000000e+01], 
+[1.9910000e+03, -3.2000000e+00, 2.12000000e+01]])
 
 ```
 
@@ -859,7 +859,7 @@ print(det)          
 
 ```
 
-* linalg的其他有用的方法：eig()（特征值和特征向量），det()（行列式）。{Other useful functions from linalg: eig() (eigenvalues and eigenvectors), det()  (determinant). } 
+* linalg的其他有用的方法：eig()(特征值和特征向量)，det()(行列式)。{Other useful functions from linalg: eig() (eigenvalues and eigenvectors), det()  (determinant). } 
 
 
 
@@ -905,13 +905,13 @@ print(error)
 from scipy import stats
 ```
 
-* 然后您可以使用一些有用的统计功能。 例如，给出标准正态分布的累积密度函数（Then you are able to use some useful statistical function. For example, the cummulative density function of a standard normal distribution is given like
+* 然后您可以使用一些有用的统计功能。 例如，给出标准正态分布的累积密度函数(Then you are able to use some useful statistical function. For example, the cummulative density function of a standard normal distribution is given like
 
 
 ![Statistics-in-Scipy](https://github.com/MurphyWan/Python-first-Practice/blob/master/images/3days_img010_statistics_in_scipy.jpg)
 
 
-* 这个包，我们可以直接使用它，如下: （with this package, we can directly use it like)
+* 这个包，我们可以直接使用它，如下: (with this package, we can directly use it like)
 
 ```python
 from scipy import stats
@@ -1225,9 +1225,9 @@ plt.title('3D plot of $z = x^2 + y^2$')
 
   ![1](https://github.com/MurphyWan/Python-first-Practice/blob/master/images/3days_img017_1.jpg)
 
-  - 然后用红点标记坐标（1,2） (Then mark the coordinate (1, 2) with a red point.)
+  - 然后用红点标记坐标(1,2) (Then mark the coordinate (1, 2) with a red point.)
 
-* 使用np.linspace()使t ∈ [0，2π]。 然后给  (Use np.linspace0 to make t ∈ [0，2π]. Then give)
+* 使用np.linspace()使t ∈ [0, 2π]。 然后给  (Use np.linspace0 to make t ∈ [0,2π]. Then give)
   
   
   ![2](https://github.com/MurphyWan/Python-first-Practice/blob/master/images/3days_img017_2.jpg)
@@ -1293,12 +1293,12 @@ plt.title('3D plot of $z = x^2 + y^2$')
 
 import sympy as sy
 
-#声明x，y为变量
+#声明x,y为变量
 x = sy.Symbol('x')
 y = sy.Symbol('y')
 a, b = sy.symbols('a b')
 
-#创建一个新符号（不是函数
+#创建一个新符号(不是函数
 f = x**2 + 2 - 2*x + x**2 -1
 print(f)
 #自动简化
@@ -1393,4 +1393,3 @@ print(sy.diff (g,  y))
 ![](http://upload-images.jianshu.io/upload_images/5522220-cd6a23ee687856ca.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
 
 [传送门-> 第三天的内容](https://github.com/MurphyWan/Python-first-Practice/blob/master/D3_of_3Day_DoneWithPython.md)
-