errata, vários issues

Author: ramalho

online/cap01.adoc

@@ -8,7 +8,7 @@ ____
 O senso estético de Guido para o design de linguagens é incrível.
 Conheci muitos projetistas capazes de criar linguagens teoricamente lindas,
 que ninguém jamais usaria.
-Mas Guido é uma daquelas raras pessoas capaz de criar uma linguagem só um pouco menos teoricamente linda que,
+Mas Guido é uma daquelas raras pessoas capazes de criar uma linguagem só um pouco menos teoricamente linda que,
 por isso mesmo, é uma delícia para programar.
 footnote:[Traduzido de
 https://fpy.li/1-1[Story of Jython] (EN),
@@ -18,7 +18,7 @@ https://fpy.li/1-2[Jython Essentials]
 ____
 
 Uma das melhores qualidades de Python é sua consistência.
-Após trabalhar com Python por algum tempo é possível intuir, de modo informado e correto,
+Após trabalhar com Python por algum tempo, é possível intuir, de modo informado e correto,
 o funcionamento de recursos que você acabou de conhecer.
 
 Entretanto, se você aprendeu outra linguagem orientada a objetos antes de Python,
@@ -94,9 +94,9 @@ pois é uma introdução ao Modelo de Dados de Python, que é muito estável.
 As mudanças mais significativas foram:
 
 * Métodos especiais que suportam programação assíncrona e outras novas funcionalidades
-foram acrescentados às tabelas em <<overview_special_methods>>.
+foram acrescentados às tabelas na <<overview_special_methods>>.
 
-* A <<collection_uml>>, mostrando o uso de métodos especiais em <<collection_api>>,
+* A <<collection_uml>>, mostrando o uso de métodos especiais na  <<collection_api>>,
 incluindo a classe base abstrata `collections.abc.Collection`, introduzida no Python 3.6.
 
 Além disso, aqui((("f-string syntax", "benefits of"))) e por toda essa segunda edição,
@@ -343,7 +343,7 @@ Escreve `len(my_object)` e, se `my_object` é uma instância de uma classe defin
 então Python chama o método `+__len__+` que você implementou.
 
 Mas o interpretador pega um atalho quando está lidando com um tipo embutido como `list`, `str`, `bytearray`,
-ou extensões compiladas como os arrays do NumPy.
+ou extensões compiladas como os arrays da NumPy.
 As coleções de tamanho variável de Python escritas em C incluem uma
 structfootnote:[Uma struct do C é um tipo de registro com campos nomeados.]
 chamada `PyVarObject`, com um campo `ob_size` que registra a quantidade de itens na coleção.
@@ -393,7 +393,7 @@ vetores bi-dimensionais—isto é, vetores euclidianos como aqueles usados em ma
 ======
 O tipo embutido `complex` pode ser usado para representar vetores bi-dimensionais,
 mas nossa classe pode ser estendida para representar vetores N-dimensionais.
-Faremos isso em <<ch_generators>>.
+Faremos isso no <<ch_generators>>.
 ======
 
 [[vectors_fig]]

online/cap02.adoc

@@ -1458,7 +1458,7 @@ Veja  https://fpy.li/2-13["NumPy quickstart"] (EN)
 para saber mais sobre isso.
 
 Desconheço usos de `Ellipsis` ou de índices multidimensionais na biblioteca padrão de Python.
-Esses recursos sintáticos existem para suportar tipos definidos pelo usuário ou extensões como o NumPy.
+Esses recursos sintáticos existem para suportar tipos definidos pelo usuário ou extensões como a NumPy.
 
 Fatias não são úteis apenas para extrair informações de sequências;
 elas podem também ser usadas para modificar sequências mutáveis no lugar—isto é, sem precisar reconstruí-las do zero.
@@ -1709,13 +1709,13 @@ por compartilharem esse enigma na Conferência PythonBrasil de 2013.]
 
 O que acontece a seguir? Escolha a melhor alternativa:
 
-A. `t` se torna `(1, 2, [30, 40, 50, 60])`.
+A):: `t` se torna `(1, 2, [30, 40, 50, 60])`.
 
-B. É gerado um `TypeError` com a mensagem `'tuple' object does not support item assignment` (_o objeto tupla não suporta atribuição de itens_).
+B):: É gerado um `TypeError` com a mensagem `'tuple' object does not support item assignment` (_o objeto tupla não suporta atribuição de itens_).
 
-C. As alternativas A e B estão corretas.
+C):: As alternativas A e B estão corretas.
 
-D. Nenhuma das alternativas acima.
+D):: Nenhuma das alternativas acima.
 
 
 Quando vi isso, tinha certeza que a resposta era B, mas, na verdade é C: as alternativas A e B estão corretas!
@@ -2585,13 +2585,13 @@ Em((("Soapbox sidebars", "tuples")))((("tuples", "nature of")))((("sequences", "
 Antes de criar Python, Guido van Rossum tinha trabalhado no interpretador ABC, então ele veio ver meu pôster.
 Entre outras coisas, falamos sobre como os _compounds_ (compostos) da ABC,
 predecessores das tuplas de Python.
-Compostos também suportam atribuição paralela e são usados como chaves compostas em dicionários
+Compounds também suportam atribuição paralela e são usados como chaves compostas em dicionários
 (ou _tabelas_, no jargão da ABC).
-Entretanto, compostos não são sequências,
-Eles não são iteráveis, e não é possível obter um campo por índice, muitos menos fatiá-los.
+Entretanto, compounds não são sequências:
+não são iteráveis, e não é possível obter um campo por índice, muitos menos fatiá-los.
 Ou você manuseia o composto inteiro ou extrai os campos individuais usando atribuição paralela, e é isso.
 
-Disse a Guido que essas limitações tornavam muito claro o principal propósito dos compostos:
+Disse a Guido que essas limitações tornavam muito claro o principal propósito dos compounds:
 ele são apenas registros sem campos nomeados.
 Sua resposta: "Fazer as tuplas se comportarem como sequências foi uma gambiarra."
 

online/cap04.adoc

@@ -321,7 +321,7 @@ uma das várias codificações criadas para línguas asiáticas.
 
 `utf-8`:: A codificação de 8 bits mais comum na web. Em julho de 2021, o
 https://fpy.li/4-5[W³ Techs: Usage statistics of character encodings for websites]
-informa que 97% dos sites usam UTF-8, um grande avanço sobre os 81,4% de setembro de 2014,
+informava que 97% dos sites usam UTF-8, um grande avanço sobre os 81,4% de setembro de 2014,
 quando escrevi este capítulo na primeira edição.
 
 `utf-16le`:: Uma forma do esquema de codificação UTF de 16 bits; todas as codificações UTF-16

online/cap05.adoc

@@ -33,7 +33,7 @@ um padrão de programação que pode ser um sintoma de um mau design orientado a
 [NOTE]
 ====
 A classe `typing.TypedDict` pode((("TypedDict")))
-parecer sintaticamente com um fábrica de classes de dados.
+parecer sintaticamente com uma fábrica de classes de dados.
 Ela usa uma sintaxe similar, e é descrita pouco após `typing.NamedTuple` na
 https://fpy.li/3n[documentação do módulo `typing`] (EN) de Python 3.11.
 

online/cap11.adoc

@@ -722,7 +722,7 @@ Como revela o <<mem_test_demo>>, o uso de RAM do script cresce para 1,55 GB quan
 
 [TIP]
 ====
-Se você precisa manipular milhões de objetos com dados numéricos, deveria na verdade estar usando os arrays do NumPy (veja a <<numpy_sec>>), que são eficientes no de uso de memória, e também tem funções para processamento numérico extremamente otimizadas, muitas das quais operam sobre o array inteiro ao mesmo tempo. Projetei a classe `Vector2d` apenas como um contexto para a discussão de métodos especiais, pois sempre que possível tento evitar exemplos vagos com `Foo` e `Bar`.
+Se você precisa manipular milhões de objetos com dados numéricos, deveria na verdade estar usando os arrays da NumPy (veja a <<numpy_sec>>), que são eficientes no de uso de memória, e também tem funções para processamento numérico extremamente otimizadas, muitas das quais operam sobre o array inteiro ao mesmo tempo. Projetei a classe `Vector2d` apenas como um contexto para a discussão de métodos especiais, pois sempre que possível tento evitar exemplos vagos com `Foo` e `Bar`.
 ====
 
 [[problems_with_slots]]

online/cap12.adoc

@@ -839,7 +839,7 @@ Não tomei parte na discussão original, e não usaria o trecho acima em código
 pois eu também não gosto muito de `lambda`.
 Mas eu queria mostrar um exemplo sem uma compreensão de lista.
 
-A primeira resposta veio de Fernando Perez, criador do IPython, e realça como o NumPy suporta arrays _n_-dimensionais e fatiamento _n_-dimensional:
+A primeira resposta veio de Fernando Perez, criador do IPython, e realça como a NumPy suporta arrays _n_-dimensionais e fatiamento _n_-dimensional:
 
 [source, python]
 ----

online/cap13.adoc

@@ -1296,7 +1296,7 @@ False
 ----
 ====
 <1> `complex64` é um dos cinco tipos de números complexos fornecidos pelo NumPy.
-<2> Nenhum dos tipos complexos do NumPy é subclasse do `complex` embutido.
+<2> Nenhum dos tipos complexos da NumPy é subclasse do `complex` embutido.
 <3> Mas os tipos complexos de NumPy implementam `+__complex__+`, então cumprem o protocolo `SupportsComplex`.
 <4> Portanto, você pode criar objetos `complex` a partir deles.
 <5> Infelizmente, o tipo `complex` embutido não implementa `+__complex__+`, apesar de [.keep-together]#`complex(c)`# funcionar sem problemas se `c` for um `complex`.
@@ -1310,7 +1310,7 @@ isinstance(c, (complex, SupportsComplex))
 ----
 
 Uma outra alternativa seria usar a ABC `Complex`, definida no módulo `numbers`.
-O tipo embutido `complex` e os tipos `complex64` e `complex128` do NumPy são todos registrados como subclasses virtuais de `numbers.Complex`, então isso aqui funciona:
+O tipo embutido `complex` e os tipos `complex64` e `complex128` da NumPy são todos registrados como subclasses virtuais de `numbers.Complex`, então isso aqui funciona:
 
 [source, python]
 ----
@@ -1666,7 +1666,7 @@ Para encerrar o capítulo, vamos olhar as ABCs numéricas e sua possível substi
 Como((("static protocols", "numbers ABCS and numeric protocols", id="SPnumbers13")))((("numbers ABCs", id="number13")))((("numeric protocols", id="numpro13")))((("protocols", "numeric", id="Pnum13"))) vimos em <<numeric_tower_warning>>, as ABCs no pacote `numbers` da biblioteca padrão funcionam bem para checagem de tipos durante a execução.
 
 Se você precisa verificar um inteiro, pode usar `isinstance(x, numbers.Integral)` para aceitar `int`, `bool` (que é subclasse de `int`) ou outros tipos inteiros oferecidos por bibliotecas externas que registram seus tipos como subclasses virtuais das ABCs de `numbers`.
-Por exemplo, o NumPy tem https://fpy.li/13-39[21 tipos inteiros] — bem como várias variações de tipos de ponto flutuante registrados como `numbers.Real`, e números complexos com várias amplitudes de bits, registrados como `numbers.Complex`.
+Por exemplo, a NumPy tem https://fpy.li/13-39[21 tipos inteiros] — bem como várias variações de tipos de ponto flutuante registrados como `numbers.Real`, e números complexos com várias amplitudes de bits, registrados como `numbers.Complex`.
 
 [TIP]
 ====
@@ -1709,7 +1709,7 @@ Por alguma razão, ele também implementa `+__int__+`.
 A presença desses métodos faz `isinstance` produzir resultados enganosos no Python 3.9. No Python 3.10, os métodos de `complex` que geravam `TypeError` incondicionalmente foram removidos.footnote:[ver
 https://fpy.li/13-41[Issue #41974—Remove `+complex.__float__+`, `+complex.__floordiv__+`, etc].]
 
-Por outro lado, os tipos complexos do NumPy implementam métodos `+__float__+` e `+__int__+` que funcionam,
+Por outro lado, os tipos complexos da NumPy implementam métodos `+__float__+` e `+__int__+` que funcionam,
 emitindo apenas um aviso quando cada um deles é usado pela primeira vez:
 
 [source, python]
@@ -1726,8 +1726,8 @@ discards the imaginary part
 
 O problema oposto também acontece:
 Os tipos embutidos `complex`, `float`, e `int`, além `numpy.float16` e `numpy.uint8`, não
-tem um método `+__complex__+`, então `isinstance(x, SupportsComplex)` retorna `False` para eles.footnote:[Eu não testei todas as outras variantes de _float_ e _integer_ que o NumPy oferece.]
-Os tipo complexos do NumPy, tal como `np.complex64`, implementam `+__complex__+` para conversão em um `complex` embutido.
+tem um método `+__complex__+`, então `isinstance(x, SupportsComplex)` retorna `False` para eles.footnote:[Eu não testei todas as outras variantes de _float_ e _integer_ que a NumPy oferece.]
+Os tipo complexos da NumPy, tal como `np.complex64`, implementam `+__complex__+` para conversão em um `complex` embutido.
 
 Entretanto, na prática, o construtor embutido `complex()` trabalha com instâncias de todos esses tipos sem erros ou avisos.
 
@@ -1755,7 +1755,7 @@ def to_complex(n: SupportsComplex) -> complex:
     return complex(n)
 ----
 
-No momento em que escrevo isso, o NumPy não tem dicas de tipo, então seus tipos numéricos são todos `Any`.footnote:[Os tipos numéricos do NumPy são todos registrados com as ABCs apropriadas de `numbers`, que o Mypy ignora.]
+No momento em que escrevo isso, a NumPy não tem dicas de tipo, então seus tipos numéricos são todos `Any`.footnote:[Os tipos numéricos da NumPy são todos registrados com as ABCs apropriadas de `numbers`, que o Mypy ignora.]
 Por outro lado, o Mypy de alguma maneira "sabe" que o `int` e o `float` embutidos podem ser convertidos para `complex`,
 apesar de, no _typeshed_, apenas a classe embutida `complex` ter o método `+__complex__+`.footnote:[Isso é uma mentira bem intencionada da parte do typeshed: a partir de Python 3.9, o tipo embutido `complex` na verdade não tem mais um método `+__complex__+`.]
 

online/cap16.adoc

@@ -29,7 +29,7 @@ BigDecimal interest = principal.multiply(BigDecimal.ONE.add(rate)
 ----
 
 Está claro que operadores infixos tornam as fórmulas mais legíveis.
-A sobrecarga de operadores é necessária para suportar a notação infixa de operadores com tipos definidos pelo usuário ou estendidos, tal como os arrays do NumPy.
+A sobrecarga de operadores é necessária para suportar a notação infixa de operadores com tipos definidos pelo usuário ou estendidos, tal como os arrays da NumPy.
 Oferecer a sobrecarga de operadores em uma linguagem de alto nível e fácil de usar foi provavelmente uma das principais razões do imenso sucesso de Python na ciência de dados, incluindo as aplicações financeiras e científicas.
 
 Na <<data_model_emulating_sec>> (<<ch_data_model>>) vimos algumas implementações triviais de operadores em uma classe básica `Vector`. Os métodos `+__add__+` e `+__mul__+` no <<ex_vector2d>> foram escritos para demonstrar como os métodos especiais suportam a sobrecarga de operadores, mas deixamos passar problemas sutis naquelas implementações. Além disso, no <<ex_vector2d_v0>> notamos que o método `+Vector2d.__eq__+` considera `True` a seguinte expressão: `Vector(3, 4) == [3, 4]`&#x2014;algo que pode ou não fazer sentido. Nesse capítulo vamos cuidar desses problemas, e((("operator overloading", "topics covered"))) falaremos também de:
@@ -494,13 +494,13 @@ Por anos, o produto escalar no NumPy foi escrito como `numpy.dot(a, b)`.
 A notação de invocação de função faz com que fórmulas mais longas sejam difíceis de traduzir da notação matemática para Python,footnote:[Veja o <<operator_soapbox>> para uma discussão desse problema.]
 então a comunidade de computação numérica fez campanha pela
 https://fpy.li/pep465[PEP 465—A dedicated infix operator for matrix multiplication (_Um operador infixo dedicado para multiplicação de matrizes_)] (EN), que foi implementada no Python 3.5.
-Hoje é possível escrever `a @ b` para computar o produto escalar de dois arrays do NumPy.
+Hoje é possível escrever `a @ b` para computar o produto escalar de dois arrays da NumPy.
 
 O operador `@` é suportado pelos métodos especiais `+__matmul__+`, `+__rmatmul__+`
 e `+__imatmul__+`, cujos nomes derivam de "matrix multiplication" (_multiplicação de matrizes_).
 Até Python 3.10, esses métodos não são usados em lugar algum na biblioteca padrão,
 mas eles são reconhecidos pelo interpretador desde Python 3.5,
-então os desenvolvedores do NumPy--e o resto de nós--podemos implementar o operador `@` em nossas classes.
+então os desenvolvedores da NumPy--e o resto de nós--podemos implementar o operador `@` em nossas classes.
 O analisador sintático de Python também foi modificado para aceitar o novo operador
 (no Python 3.4, `a @ b` era um erro de sintaxe).
 

online/cap19.adoc

@@ -1036,7 +1036,7 @@ https://fpy.li/19-36[TensorFlow] e https://fpy.li/19-37[PyTorch]::
 https://fpy.li/dask[Dask]::
     Uma((("Dask"))) biblioteca de computação paralela que consegue delegar para processos locais ou um cluster de máquinas,
     "testado em alguns dos maiores supercomputadores do mundo"—como seu https://fpy.li/dask[site] (EN) afirma.
-    O Dask oferece APIs que emulam muito bem o NumPy, o pandas, e o scikit-learn—hoje as mais populares bibliotecas em ciência de dados e aprendizagem de máquina.
+    O Dask oferece APIs que emulam muito bem a NumPy, o pandas, e o scikit-learn—hoje as mais populares bibliotecas em ciência de dados e aprendizagem de máquina.
     O Dask pode ser usado a partir do JupyterLab ou do Jupyter Notebook, e usa o Bokeh
     não apenas para visualização de dados mas também para um quadro interativo mostrando o fluxo de dados e o processamento entre processos/máquinas quase em tempo real.
     O Dask é tão impressionante que recomento assistir um vídeo tal como esse, https://fpy.li/19-39[15-minute demo], onde Matthew Rocklin—um mantenedor do projeto—mostra o Dask mastigando dados em 64 núcleos distribuídos por 8 máquinas EC2 na AWS.

print/1/experimento-1/cap01.adoc

@@ -6,7 +6,7 @@ ____
 O senso estético de Guido para o design de linguagens é incrível.
 Conheci muitos projetistas capazes de criar linguagens teoricamente lindas,
 que ninguém jamais usaria.
-Mas Guido é uma daquelas raras pessoas capaz de criar uma linguagem só um pouco menos teoricamente linda que,
+Mas Guido é uma daquelas raras pessoas capazes de criar uma linguagem só um pouco menos teoricamente linda que,
 por isso mesmo, é uma delícia para programar.
 footnote:[Traduzido de
 https://fpy.li/1-1[Story of Jython] (EN),
@@ -16,7 +16,7 @@ https://fpy.li/1-2[Jython Essentials]
 ____
 
 Uma das melhores qualidades de Python é sua consistência.
-Após trabalhar com Python por algum tempo é possível intuir, de modo informado e correto,
+Após trabalhar com Python por algum tempo, é possível intuir, de modo informado e correto,
 o funcionamento de recursos que você acabou de conhecer.
 
 Entretanto, se você aprendeu outra linguagem orientada a objetos antes de Python,
@@ -92,9 +92,9 @@ pois é uma introdução ao Modelo de Dados de Python, que é muito estável.
 As mudanças mais significativas foram:
 
 * Métodos especiais que suportam programação assíncrona e outras novas funcionalidades
-foram acrescentados às tabelas em <<overview_special_methods>>.
+foram acrescentados às tabelas na <<overview_special_methods>>.
 
-* A <<collection_uml>>, mostrando o uso de métodos especiais em <<collection_api>>,
+* A <<collection_uml>>, mostrando o uso de métodos especiais na  <<collection_api>>,
 incluindo a classe base abstrata `collections.abc.Collection`, introduzida no Python 3.6.
 
 Além disso, aqui((("f-string syntax", "benefits of"))) e por toda essa segunda edição,
@@ -340,7 +340,7 @@ Escreve `len(my_object)` e, se `my_object` é uma instância de uma classe defin
 então Python chama o método `+__len__+` que você implementou.
 
 Mas o interpretador pega um atalho quando está lidando com um tipo embutido como `list`, `str`, `bytearray`,
-ou extensões compiladas como os arrays do NumPy.
+ou extensões compiladas como os arrays da NumPy.
 As coleções de tamanho variável de Python escritas em C incluem uma
 structfootnote:[Uma struct do C é um tipo de registro com campos nomeados.]
 chamada `PyVarObject`, com um campo `ob_size` que registra a quantidade de itens na coleção.
@@ -391,7 +391,7 @@ vetores bi-dimensionais—isto é, vetores euclidianos como aqueles usados em ma
 ======
 O tipo embutido `complex` pode ser usado para representar vetores bi-dimensionais,
 mas nossa classe pode ser estendida para representar vetores N-dimensionais.
-Faremos isso em <<ch_generators>>.
+Faremos isso no <<ch_generators>>.
 ======
 
 [[vectors_fig]]