Patch neue links

book/content/Script/02_python/0227_sammeltypen.ipynb

@@ -11,7 +11,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Listen sind nicht die einzigen Sammeltypen in Python. Es existieren noch beispielsweise [Tupel](https://de.wikipedia.org/wiki/Tupel_%28Informatik%29), [Mengen](https://de.wikipedia.org/wiki/Menge_%28Datenstruktur%29) und [assoziative Arrays](https://de.wikipedia.org/wiki/Zuordnungstabelle_%28Datenstruktur%29) (Dictionary). Diese werden an dieser Stelle nur kurz vorgestellt."
+    "Listen sind nicht die einzigen Sammeltypen in Python. Es existieren noch beispielsweise [Tupel](https://de.wikipedia.org/wiki/Tupel_%28Informatik%29), [Mengen](https://de.wikipedia.org/wiki/Menge_%28Datenstruktur%29) und [assoziative Arrays](https://de.m.wikipedia.org/wiki/Zuordnungstabelle) (Dictionary). Diese werden an dieser Stelle nur kurz vorgestellt."
    ]
   },
   {

book/content/Script/03_datenanalyse/0312_1d_plots.ipynb

@@ -31,7 +31,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Eine der am häufigsten verwendeten Darstellungsformen sind Liniendiagramme. Diese werden mit der Methode `plt.plot` erstellt. Eine ausführliche Dokumentation finden Sie [hier](https://matplotlib.org/3.2.1/api/_as_gen/matplotlib.pyplot.plot.html#matplotlib.pyplot.plot). Im Folgenden werden die Grundfunktionen von `plt.plot` kurz zusammengefasst.  "
+    "Eine der am häufigsten verwendeten Darstellungsformen sind Liniendiagramme. Diese werden mit der Methode `plt.plot` erstellt. Eine ausführliche Dokumentation finden Sie [hier](https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.plot.html). Im Folgenden werden die Grundfunktionen von `plt.plot` kurz zusammengefasst.  "
    ]
   },
   {
@@ -166,7 +166,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Sollen Punktdaten, d.h. Punkte ohne eine verbindende Linie, dargestellt werden, kann dazu die [`plt.scatter` Methode](https://matplotlib.org/3.2.1/api/_as_gen/matplotlib.pyplot.scatter.html#matplotlib.pyplot.scatter) genutzt werden. Diese bekommt immer zwei Argumente, die x- und y-Positionen der Punkte. Darüber hinaus ist es hier möglich, die Größe und Farbe der Punkte anzugeben."
+    "Sollen Punktdaten, d.h. Punkte ohne eine verbindende Linie, dargestellt werden, kann dazu die [`plt.scatter` Methode](https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.scatter.html) genutzt werden. Diese bekommt immer zwei Argumente, die x- und y-Positionen der Punkte. Darüber hinaus ist es hier möglich, die Größe und Farbe der Punkte anzugeben."
    ]
   },
   {
@@ -246,7 +246,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Mit der [Methode `plt.bar`](https://matplotlib.org/3.2.1/api/_as_gen/matplotlib.pyplot.bar.html#matplotlib.pyplot.bar) werden Balkendiagramme erstellt. Sie benötigt mindesten zwei Argumente: die Position der Balken und deren Höhe."
+    "Mit der [Methode `plt.bar`](https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.bar.html) werden Balkendiagramme erstellt. Sie benötigt mindesten zwei Argumente: die Position der Balken und deren Höhe."
    ]
   },
   {

book/content/Script/03_datenanalyse/0314_farben.ipynb

@@ -38,7 +38,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Soll explizit eine bestimmte Farbe verwendet werden, so ist es am einfachsten die vordefinierten Farbnamen, siehe [Beispiel](https://matplotlib.org/3.2.1/gallery/color/named_colors.html#sphx-glr-gallery-color-named-colors-py), zu verwenden. In der `plt.plot`-Methode geschieht dies über das `color`-Argument."
+    "Soll explizit eine bestimmte Farbe verwendet werden, so ist es am einfachsten die vordefinierten Farbnamen, siehe [Beispiel](https://matplotlib.org/stable/gallery/color/named_colors.html), zu verwenden. In der `plt.plot`-Methode geschieht dies über das `color`-Argument."
    ]
   },
   {
@@ -165,7 +165,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Für kontinuierliche Farbverläufe werden Farbpaletten verwendet. Wie in [diesem Beispiel](https://matplotlib.org/3.2.1/gallery/color/colormap_reference.html#sphx-glr-gallery-color-colormap-reference-py) gezeigt, stehen viele Paletten zur auswahl."
+    "Für kontinuierliche Farbverläufe werden Farbpaletten verwendet. Wie in [diesem Beispiel](https://matplotlib.org/stable/gallery/color/colormap_reference.html) gezeigt, stehen viele Paletten zur auswahl."
    ]
   },
   {

book/content/Script/03_datenanalyse/0322_arrays.ipynb

@@ -80,7 +80,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Der Typ der Arrayelemente ist in der Variablen `dtype` einer Arrayklasse gespreichert. In diesem Fall ist der Typ eine 64-bit-Gleikommazahl. Alle numpy Funktionen, welche Arrays erzeugen, können ein entsprechendes Argument aufnehmen um den Datentyp zu setzten. Eine Übersicht bietet die [numpy Dokumentation](https://numpy.org/doc/1.18/reference/arrays.scalars.html)."
+    "Der Typ der Arrayelemente ist in der Variablen `dtype` einer Arrayklasse gespreichert. In diesem Fall ist der Typ eine 64-bit-Gleikommazahl. Alle numpy Funktionen, welche Arrays erzeugen, können ein entsprechendes Argument aufnehmen um den Datentyp zu setzten. Eine Übersicht bietet die [numpy Dokumentation](https://numpy.org/doc/stable/reference/arrays.scalars.html)."
    ]
   },
   {
@@ -104,7 +104,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Da Arrays ihre Länge nicht bzw. nicht effektiv ändern können, muss diese bei der Erstellung festgelegt werden. Die einfachste Möglichkeit der Erstellung bietet beispielsweise die [Funktion `np.ones`](https://numpy.org/doc/1.18/reference/generated/numpy.ones.html) an. Sie bekommt als Argument ein Skalar oder ein Tupel, welche die Länge des (mehrdimensionalen) Arrays definieren.  "
+    "Da Arrays ihre Länge nicht bzw. nicht effektiv ändern können, muss diese bei der Erstellung festgelegt werden. Die einfachste Möglichkeit der Erstellung bietet beispielsweise die [Funktion `np.ones`](https://numpy.org/doc/stable/reference/generated/numpy.ones.html) an. Sie bekommt als Argument ein Skalar oder ein Tupel, welche die Länge des (mehrdimensionalen) Arrays definieren.  "
    ]
   },
   {
@@ -184,7 +184,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Strukturierte Arrays können mit den Funktionen [`np.arange`](https://numpy.org/doc/1.18/reference/generated/numpy.arange.html) und [`np.linspace`](https://numpy.org/doc/1.18/reference/generated/numpy.linspace.html) erzeugt werden. Die erste verhält sich änhlich zu der `range`-Funktion und erzeugt eine Abfolge von Werten im gegebenen Intervall mit einer definierten Schrittweite. "
+    "Strukturierte Arrays können mit den Funktionen [`np.arange`](https://numpy.org/doc/stable/reference/generated/numpy.arange.html) und [`np.linspace`](https://numpy.org/doc/stable/reference/generated/numpy.linspace.html) erzeugt werden. Die erste verhält sich änhlich zu der `range`-Funktion und erzeugt eine Abfolge von Werten im gegebenen Intervall mit einer definierten Schrittweite. "
    ]
   },
   {

book/content/Script/03_datenanalyse/0324_dateien.ipynb

@@ -41,7 +41,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Zum lesen von strukturierten Textdateien, z.B. im CSV-Format (*comma separated values*), kann die [`np.loadtxt`-Funktion](https://numpy.org/doc/1.18/reference/generated/numpy.loadtxt.html?highlight=loadtxt#numpy.loadtxt) verwendet werden. Diese bekommt als Argumente den einzulesenden Dateinamen und weitere Optionen zur Definition der Struktur der Daten. Der Rückgabewert ist ein (mehrdimensionales) Array."
+    "Zum lesen von strukturierten Textdateien, z.B. im CSV-Format (*comma separated values*), kann die [`np.loadtxt`-Funktion](https://numpy.org/doc/stable/reference/generated/numpy.loadtxt.html) verwendet werden. Diese bekommt als Argumente den einzulesenden Dateinamen und weitere Optionen zur Definition der Struktur der Daten. Der Rückgabewert ist ein (mehrdimensionales) Array."
    ]
   },
   {
@@ -115,7 +115,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Zum Schreiben von Arrays in Dateien kann die in numpy verfügbare [Funktion `np.savetxt`](https://numpy.org/doc/1.18/reference/generated/numpy.savetxt.html?highlight=savetxt#numpy.savetxt) verwendet werden. Dieser müssen mindestens die zu schreibenden Arrays als auch ein Dateiname übergeben werden. Darüber hinaus sind zahlreiche Formattierungs- bzw. Strukturierungsoptionen möglich. "
+    "Zum Schreiben von Arrays in Dateien kann die in numpy verfügbare [Funktion `np.savetxt`](https://numpy.org/doc/stable/reference/generated/numpy.savetxt.html) verwendet werden. Dieser müssen mindestens die zu schreibenden Arrays als auch ein Dateiname übergeben werden. Darüber hinaus sind zahlreiche Formattierungs- bzw. Strukturierungsoptionen möglich. "
    ]
   },
   {

book/content/Script/04_numerik/0412_interpolation.ipynb

@@ -135,7 +135,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Die Integration selbst kann mittels der [Funktion `scipy.integrate.trapz`](https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.trapz.html#scipy.integrate.trapz) ausgeführt werden."
+    "Die Integration selbst kann mittels der [Funktion `scipy.integrate.trapezoid`](https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.trapezoid.html) ausgeführt werden."
    ]
   },
   {
@@ -152,7 +152,7 @@
     }
    ],
    "source": [
-    "res = scipy.integrate.trapz(yi, xi)\n",
+    "res = scipy.integrate.trapezoid(yi, xi)\n",
     "print(f\"Integralwert mit {n} Stützstellen: {res:.4f}\")"
    ]
   },
@@ -176,7 +176,7 @@
     "for i, n in enumerate(ns):\n",
     "    xi = np.linspace(0, 2, n)\n",
     "    yi = fkt(xi)\n",
-    "    tr[i] = scipy.integrate.trapz(yi, xi)"
+    "    tr[i] = scipy.integrate.trapezoid(yi, xi)"
    ]
   },
   {
@@ -313,7 +313,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Die Simpsonregel ist bereits in der [Funktion `scipy.integrate.simps`](https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.simps.html#scipy.integrate.simps) implementiert. Im Folgenden wird nur die Differenz zur Trapezregel demonstriert."
+    "Die Simpsonregel ist bereits in der [Funktion `scipy.integrate.simpson`](https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.simpson.html) implementiert. Im Folgenden wird nur die Differenz zur Trapezregel demonstriert."
    ]
   },
   {
@@ -330,8 +330,8 @@
     "for i, n in enumerate(ns):\n",
     "    xi = np.linspace(0, 2, n)\n",
     "    yi = fkt(xi)\n",
-    "    si[i] = scipy.integrate.simps(yi, xi)\n",
-    "    tr[i] = scipy.integrate.trapz(yi, xi)"
+    "    si[i] = scipy.integrate.simpson(yi, xi)\n",
+    "    tr[i] = scipy.integrate.trapezoid(yi, xi)"
    ]
   },
   {

book/content/Script/04_numerik/0432_ode.ipynb

@@ -90,11 +90,11 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Die Terme auf der rechnten Seite der Gleichung sind aber noch nicht diskretisiert. Hierbei gibt es zwei Möglichkeiten: die Auswertung zum Zeitpunkt $\\sf n$ oder $\\sf n+1$. Wird die erste gewählt, so führt dies zum expliziten Euler-Verfahren\n",
+    "Die Terme auf der rechnten Seite der Gleichung sind aber noch nicht diskretisiert. Hierbei gibt es zwei Möglichkeiten: die Auswertung zum Zeitpunkt $\\sf n$ oder $\\sf n+1$. Wird die erste gewählt, so führt dies zum [expliziten Euler-Verfahren](https://de.m.wikipedia.org/wiki/Explizites_Euler-Verfahren)\n",
     "\n",
     "$$\\sf \\frac{T^{n+1} - T^n}{\\Delta t} = -(T^n-T_\\infty) + Q^n$$\n",
     "\n",
-    "Die zweite Möglichkeit, d.h. die Auswertung der Terme zum Zeitpunkt $\\sf n+1$ führt zum impliziten Euler-Verfahren, auf welches hier nicht weiter eingegangen wird."
+    "Die zweite Möglichkeit, d.h. die Auswertung der Terme zum Zeitpunkt $\\sf n+1$ führt zum [impliziten Euler-Verfahren](https://de.m.wikipedia.org/wiki/Implizites_Euler-Verfahren), auf welches hier nicht weiter eingegangen wird."
    ]
   },
   {