Round-2 consistency pass: espace de nommage and renvoyer edition-wide, plus two hand-ports

lectures/functions.md

@@ -345,7 +345,7 @@ Le résultat net est que le nom `data` est *lié* à la liste `ϵ_values` renvoy
 
 Notre fonction `generate_data()` est plutôt limitée.
 
-Rendons-la légèrement plus utile en lui donnant la capacité de renvoyer soit des lois normales centrées réduites, soit des variables aléatoires uniformes sur $(0, 1)$ selon les besoins.
+Rendons-la légèrement plus utile en lui donnant la capacité de renvoyer soit des variables normales centrées réduites, soit des variables aléatoires uniformes sur $(0, 1)$ selon les besoins.
 
 Ceci est réalisé dans le morceau de code suivant.
 

lectures/numpy.md

@@ -1293,7 +1293,7 @@ La logique peut sembler difficile au premier abord. Prenez le temps d'examiner c
 
 Il y a cependant un problème ici.
 
-Supposons que `q` soit modifié après la création d'une instance de `discreteRV`, par exemple par
+Supposons que `q` soit modifié après la création d'une instance de `DiscreteRV`, par exemple par
 
 ```{code-cell} python3
 q = (0.1, 0.9)

lectures/oop_intro.md

@@ -395,7 +395,7 @@ ou
 print(sorted(dir(True)))
 ```
 
-Puisque le type de données booléen est un type primitif, vous pouvez aussi le trouver dans l'espace de noms intégré
+Puisque le type de données booléen est un type primitif, vous pouvez aussi le trouver dans l'espace de nommage intégré
 
 ```{code-cell} python3
 print(dir(__builtins__.bool))

lectures/pandas_panel.md

@@ -463,7 +463,7 @@ grouped
 L'appel d'une méthode d'agrégation sur l'objet applique la fonction à chaque
 groupe, dont les résultats sont combinés dans une nouvelle structure de données.
 
-Par exemple, nous pouvons retourner le nombre de pays de notre ensemble de données pour
+Par exemple, nous pouvons renvoyer le nombre de pays de notre ensemble de données pour
 chaque continent en utilisant `.size()`.
 
 Dans ce cas, notre nouvelle structure de données est une `Series`
@@ -472,11 +472,11 @@ Dans ce cas, notre nouvelle structure de données est une `Series`
 grouped.size()
 ```
 
-En appelant `.get_group()` pour retourner uniquement les pays d'un seul groupe,
+En appelant `.get_group()` pour renvoyer uniquement les pays d'un seul groupe,
 nous pouvons créer une estimation par noyau de la densité de la distribution des salaires
 minimums réels en 2016 pour chaque continent.
 
-`grouped.groups.keys()` retournera les clés de l'objet `groupby`
+`grouped.groups.keys()` renverra les clés de l'objet `groupby`
 
 ```{code-cell} ipython3
 continents = grouped.groups.keys()
@@ -514,13 +514,13 @@ L'ensemble de données est accessible via le lien suivant :
 url3 = 'https://raw.githubusercontent.com/QuantEcon/data-lectures/main/lectures/employ.csv'
 ```
 
-La lecture du fichier CSV retourne un ensemble de données de panel au format long. Utilisez `.pivot_table()` pour construire
+La lecture du fichier CSV renvoie un ensemble de données de panel au format long. Utilisez `.pivot_table()` pour construire
 un dataframe au format large avec un `MultiIndex` dans les colonnes.
 
 Commencez par explorer le dataframe et les variables disponibles dans les
 niveaux du `MultiIndex`.
 
-Écrivez un programme qui retourne rapidement toutes les valeurs du `MultiIndex`.
+Écrivez un programme qui renvoie rapidement toutes les valeurs du `MultiIndex`.
 
 ```{exercise-end}
 ```

lectures/polars.md

@@ -543,7 +543,7 @@ Ce qu'il faut retenir :
   Polars peut être significativement plus rapide grâce à son moteur Rust, à l'exécution
   parallèle et (en mode paresseux) à l'optimisation des requêtes.
 
-L'API paresseuse est particulièrement puissante lors de la lecture depuis le disque --- `scan_csv` retourne directement un `LazyFrame`, de sorte que les filtres et projections sont poussés jusqu'au lecteur de fichier.
+L'API paresseuse est particulièrement puissante lors de la lecture depuis le disque --- `scan_csv` renvoie directement un `LazyFrame`, de sorte que les filtres et projections sont poussés jusqu'au lecteur de fichier.
 
 ```{tip}
 Utilisez `pl.scan_csv(path)` plutôt que `pl.read_csv(path)` lorsque vous travaillez avec

lectures/python_oop.md

@@ -257,9 +257,9 @@ Les méthodes `earn` et `spend` déploient les fonctions que nous avons décrite
 
 La méthode `__init__` est une *méthode constructeur*.
 
-Chaque fois que nous créons une instance de la classe, la méthode `__init_` sera appelée automatiquement.
+Chaque fois que nous créons une instance de la classe, la méthode `__init__` sera appelée automatiquement.
 
-L'appel de `__init__` met en place un « espace de noms » pour contenir les données d'instance — nous y reviendrons bientôt.
+L'appel de `__init__` met en place un « espace de nommage » pour contenir les données d'instance — nous y reviendrons bientôt.
 
 Nous discuterons également en détail ci-dessous du rôle du particulier dispositif de gestion `self`.
 
@@ -293,7 +293,7 @@ c2.wealth
 c1.wealth
 ```
 
-Chaque instance, c'est-à-dire chaque consommateur, stocke ses données dans un dictionnaire d'espace de noms distinct
+Chaque instance, c'est-à-dire chaque consommateur, stocke ses données dans un dictionnaire d'espace de nommage distinct
 
 ```{code-cell} python3
 c1.__dict__

lectures/scipy.md

@@ -85,7 +85,7 @@ Dans ce cours, nous cherchons uniquement à mettre en évidence quelques parties
 SciPy est un package qui contient divers outils construits sur NumPy, en utilisant son type de données tableau et les fonctionnalités connexes.
 
 ````{note} 
-Dans les anciennes versions de SciPy (`scipy < 0.15.1`), importer le package importait aussi les symboles NumPy dans l'espace de noms global, comme on peut le voir dans cet extrait du fichier d'initialisation de SciPy :
+Dans les anciennes versions de SciPy (`scipy < 0.15.1`), importer le package importait aussi les symboles NumPy dans l'espace de nommage global, comme on peut le voir dans cet extrait du fichier d'initialisation de SciPy :
 
 ```python
 from numpy import *

lectures/sympy.md

@@ -32,7 +32,7 @@ translation:
     Exercises: Exercices
 ---
 
-(sympy=
+(sympy)=
 ```{raw} jupyter
 <div id="qe-notebook-header" align="right" style="text-align:right;">
         <a href="https://quantecon.org/" title="quantecon.org">
@@ -41,7 +41,6 @@ translation:
 </div>
 ```
 
-(sympy)=
 # {index}`SymPy <single: SymPy>`
 
 ```{index} single: Python; SymPy