cluster code

doc-cn/source/cluster/cluster_code.md

@@ -1,54 +1,52 @@
 # 代码迁移
 
-Arctern 是一个快速可扩展的时空数据分析框架。可扩展性的其中一个挑战是从单机到集群和云，跨平台实现一致的数据分析和处理接口。我们基于 Spark 开发 `GeoSeries` 和 `GeoDataFame` 的分布式版本并借助 Koalas 接口实现和单机版接口一致的 `GeoDataFrame` 和 `GeoSeries`。
+Arctern 是一个快速可扩展的时空数据分析框架。可扩展性的其中一个挑战是从单机到集群和云，跨平台实现一致的数据分析和处理接口。我们基于 Spark 开发 GeoSeries 和 GeoDataFame 的分布式版本并借助 Koalas 接口实现和单机版接口一致的 GeoDataFrame 和 GeoSeries。
 
-本文展示如何将单机版本下的代码进行微小修改即可在分布式环境下运行。
+本文展示如何修改单机版本下的代码，使其能够在分布式环境下运行。
 
-单机版本下的 `GeoSeries` 和 `GeoDataFrame` 位于 `arctern` Python 包，对应的分布式版本的数据结构则位于 `arctern_spark` Python 包。
-因此大多数情况下只需要将 `GeoSeries` 和 `GeoDataFrame` 的 import 方式修改即可。就像如下代码所示：
+单机版本下的 GeoSeries 和 GeoDataFrame 位于 `arctern` Python 包，对应的分布式版本的数据结构则位于 `arctern_spark` Python 包。
+因此大多数情况下只需要修改 GeoSeries 和 GeoDataFrame 的 import 方式即可，如下所示：
 
 ```python
-# 单机 Python 环境
-from arctern.geoseries import GeoSeries
-data = ["POLYGON((0 0,1 0,1 1,0 1,0 0))",
-        "POLYGON((1 3, 6 3, 3 6, 1 3))",
-        "MULTILINESTRING ((0 0,4 0),(5 0,6 0))",
-        "POLYGON((0 0,0 8,8 8,8 0,0 0))"]
-
-data = GeoSeries(data)
-rst = data.area
-print(rst)
+>>> # 单机 Python 环境
+>>> from arctern.geoseries import GeoSeries
+>>> data = ["POLYGON((0 0,1 0,1 1,0 1,0 0))",
+...     "POLYGON((1 3, 6 3, 3 6, 1 3))",
+...     "MULTILINESTRING ((0 0,4 0),(5 0,6 0))",
+...     "POLYGON((0 0,0 8,8 8,8 0,0 0))"]
+>>> data = GeoSeries(data)
+>>> rst = data.area
+>>> print(rst)
 ```
 
 ```python
 # 分布式 Spark 环境
-from arctern_spark.geoseries import GeoSeries
-data = ["POLYGON((0 0,1 0,1 1,0 1,0 0))",
-        "POLYGON((1 3, 6 3, 3 6, 1 3))",
-        "MULTILINESTRING ((0 0,4 0),(5 0,6 0))",
-        "POLYGON((0 0,0 8,8 8,8 0,0 0))"]
-
-data = GeoSeries(data)
-rst = data.area
-print(rst)
+>>> from arctern_spark.geoseries import GeoSeries
+>>> data = ["POLYGON((0 0,1 0,1 1,0 1,0 0))",
+...     "POLYGON((1 3, 6 3, 3 6, 1 3))",
+...     "MULTILINESTRING ((0 0,4 0),(5 0,6 0))",
+...     "POLYGON((0 0,0 8,8 8,8 0,0 0))"]
+>>> data = GeoSeries(data)
+>>> rst = data.area
+>>> print(rst)
 ```
 
-`arctern_spark.GeoSeries` 可根据 `list-like`类型的数据和`koalas.GeoSereis` 来构造。`list-like` 类型包括 lists, tuples, sets, NumPy arrays, 以及 Pandas Series。
+`arctern_spark.GeoSeries` 可根据 `list-like` 类型的数据和 `koalas.GeoSereis` 来构造。`list-like` 类型包括 list、tuple、set、numpy.array 以及 pandas.Series。
 
 ```python
-from arctern_spark.geoseries import GeoSeries
-import databricks.koalas as ks
-import pandas as pd
-
-list_data = ["POLYGON((0 0,1 0,1 1,0 1,0 0))", "POLYGON((0 0,0 8,8 8,8 0,0 0))"]
-pser = pd.Series(list_data, name="geometry_p")
-kser = ks.Series(list_data, name="geometry_k")
-
-aser = GeoSeries(list_data, name="geometry")
-print(aser.area)
-aser = GeoSeries(pser)
-print(aser.area)
-aser = GeoSeries(kser)
-print(aser.area)
+>>> from arctern_spark.geoseries import GeoSeries
+>>> import databricks.koalas as ks
+>>> import pandas as pd
+>>>
+>>> list_data = ["POLYGON((0 0,1 0,1 1,0 1,0 0))", "POLYGON((0 0,0 8,8 8,8 0,0 0))"]
+>>> pser = pd.Series(list_data, name="geometry_p")
+>>> kser = ks.Series(list_data, name="geometry_k")
+>>>
+>>> aser = GeoSeries(list_data, name="geometry")
+>>> print(aser.area)
+>>> aser = GeoSeries(pser)
+>>> print(aser.area)
+>>> aser = GeoSeries(kser)
+>>> print(aser.area)
 ```