From e01a06f3371a7720b2b87e762b26e9d601ee3c34 Mon Sep 17 00:00:00 2001
From: Flynnon <1553669019@qq.com>
Date: Sun, 5 May 2019 00:16:35 +0800
Subject: [PATCH] Update p14_make_your_program_run_faster.rst

---
 source/c14/p14_make_your_program_run_faster.rst | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/source/c14/p14_make_your_program_run_faster.rst b/source/c14/p14_make_your_program_run_faster.rst
index 4f8c300..3c5ac6c 100644
--- a/source/c14/p14_make_your_program_run_faster.rst
+++ b/source/c14/p14_make_your_program_run_faster.rst
@@ -13,7 +13,7 @@
 关于程序优化的第一个准则是“不要优化”，第二个准则是“不要优化那些无关紧要的部分”。
 如果你的程序运行缓慢，首先你得使用14.13小节的技术先对它进行性能测试找到问题所在。
 
-通常来讲你会发现你得程序在少数几个热点地方花费了大量时间，
+通常来讲你会发现你得程序在少数几个热点位置花费了大量时间，
 比如内存的数据处理循环。一旦你定位到这些点，你就可以使用下面这些实用技术来加速程序运行。
 
 **使用函数**
@@ -116,7 +116,7 @@
             result_append(sqrt(n))
         return result
 
-在这个版本中，``sqrt`` 从 ``match`` 模块被拿出并放入了一个局部变量中。
+在这个版本中，``sqrt`` 从 ``math`` 模块被拿出并放入了一个局部变量中。
 如果你运行这个代码，大概花费25秒（对于之前29秒又是一个改进）。
 这个额外的加速原因是因为对于局部变量 ``sqrt`` 的查找要快于全局变量 ``sqrt``
 
@@ -234,7 +234,7 @@
 如果你的优化要求比较高，本节的这些简单技术满足不了，那么你可以研究下基于即时编译（JIT）技术的一些工具。
 例如，PyPy工程是Python解释器的另外一种实现，它会分析你的程序运行并对那些频繁执行的部分生成本机机器码。
 它有时候能极大的提升性能，通常可以接近C代码的速度。
-不过可惜的是，到写这本书位置，PyPy还不能完全支持Python3.
+不过可惜的是，到写这本书为止，PyPy还不能完全支持Python3.
 因此，这个是你将来需要去研究的。你还可以考虑下Numba工程，
 Numba是一个在你使用装饰器来选择Python函数进行优化时的动态编译器。
 这些函数会使用LLVM被编译成本地机器码。它同样可以极大的提升性能。