Update inequality.md (#104)

lectures/inequality.md

@@ -16,7 +16,6 @@ kernelspec:
 ## 概览
 
 在{doc}`long_run_growth` 中，我们研究了某些国家和地区的人均国内生产总值是如何变化的。
-的变化。
 
 人均 GDP 很重要，因为它能让我们了解某个国家的家庭平均收入。
 
@@ -28,7 +27,7 @@ kernelspec:
 例如，假设有两个社会，每个社会都有 100 万人，其中
 
 * 在第一个社会中，一个人的年收入是 $100,000,000，其他人的年收入为零。
-  其他人的收入为零
+
 * 在第二个社会中，每个人的年收入都是 100 美元
 
 这些国家的人均收入相同（平均收入为 100 美元），但人民的生活却大不相同（例如，在第一个社会中，几乎每个人都在挨饿，尽管有一个人非常富有）。
@@ -53,9 +52,9 @@ kernelspec:
 
 最终，罗马共和国让位于一系列独裁政权 -- 从公元前 27 年的[屋大维](https://en.wikipedia.org/wiki/Augustus)（奥古斯都）开始。
 
-这段历史告诉我们，不平等很重要，因为它可以推动世界重大事件的发生。
+这段历史告诉我们，不平等很关键，因为它可以推动世界重大事件的发生。
 
-不平等之所以重要，还有其他原因，比如它如何影响人类福祉。
+不平等之所以关键，还有其他原因，比如它如何影响人类福祉。
 
 有了这些动机，让我们开始思考什么是不平等，以及如何量化和分析不平等。
 
@@ -129,10 +128,9 @@ $$
 
 如果我们使用 `matplotlib` 中的线形图，它将自动帮我们完成插值。
 
-语句 $y = L(x)$ 的含义是，最低的 $(100 \times x$ \% 的人拥有$（100 \times y）$\% 的财富。
+洛伦兹曲线 $y = L(x)$ 的含义是，最低的 $(100 \times x$ \% 的人拥有$（100 \times y）$\% 的财富。
 
 * 如果 $x=0.5$，$y=0.1$，那么最底层的 50%人口拥有 10%的财富。
-  拥有 10%的财富。
 
 在上面的讨论中，我们重点讨论了财富，但同样的观点也适用于收入、消费等。
 
@@ -141,9 +139,9 @@ $$
 
 让我们来看一些例子，并尝试构建理解。
 
-首先，让我们构建一个可以在下面的模拟中使用的 `lorenz_curve` 函数。
+首先，让我们构建一个可以在下面模拟中使用的 `lorenz_curve` 函数。
 
-构造一个函数，它能将收入或财富数据的数组转换为个人（或家庭）的累积份额和收入（或财富）的累积份额。
+构造这样一个函数，它能将收入或财富数据的数组转换为个人（或家庭）的累积份额和收入（或财富）的累积份额。
 
 ```{code-cell} ipython3
 def lorenz_curve(y):
@@ -192,7 +190,7 @@ def lorenz_curve(y):
 
 在下图中，我们从对数正态分布中生成了 $n=2000$ 个样本，并将这些样本视为我们的总体。
 
-直的 45 度线（$x=L(x)$ 对于所有 $x$）对应于完全平等的情况。
+其中45 度线（$x=L(x)$ 对于所有 $x$）对应于完全平等的情况。
 
 对数正态分布的样本产生了一个不那么平等的分布。
 
@@ -229,7 +227,7 @@ plt.show()
 接下来让我们查看美国的收入和财富数据。
 
 (data:survey-consumer-finance)=
-下面的代码块导入了2016年的`SCF_plus`数据集的一个子集，
+下面的代码导入了2016年的`SCF_plus`数据集的一个子集，
 该数据集来源于[消费者财务调查](https://en.wikipedia.org/wiki/Survey_of_Consumer_Finances)（SCF）。
 
 ```{code-cell} ipython3
@@ -242,7 +240,7 @@ df_income_wealth = df.dropna()
 df_income_wealth.head(n=5)
 ```
 
-下一个代码块使用存储在数据框 `df_income_wealth` 中的数据来生成洛伦兹曲线。
+接下来的代码使用存储在数据框 `df_income_wealth` 中的数据来生成洛伦兹曲线。
 
 （代码稍微复杂一些，因为我们需要根据 SCF 提供的人口权重来调整数据。）
 
@@ -404,16 +402,16 @@ plt.show()
 
 ### 模拟数据的基尼系数
 
-让我们通过一些模拟来研究基尼系数。
+让我们通过模拟数据来研究基尼系数。
 
-下面的代码从样本中计算基尼系数。
+下面的代码将从样本中计算基尼系数。
 
 (code:gini-coefficient)=
 
 ```{code-cell} ipython3
 def gini_coefficient(y):
     r"""
-    实现基尼不平等指数
+    实现的基尼不平等指数
 
     参数
     ----------
@@ -535,6 +533,7 @@ plt.show()
 ```
 
 我们可以在 {numref}`gini_histogram` 中看到，根据50年的数据和所有国家的数据，该指标在20到65之间变化。
+
 现在，我们来看看美国在过去几十年的基尼系数变化。
 
 ```{code-cell} ipython3
@@ -544,7 +543,7 @@ data.head(n=5)
 data.columns = data.columns.map(lambda x: int(x.replace('YR','')))
 ```
 
-（此包通常会返回包含年份信息的列。这在使用 pandas 简单绘图时并不总是方便，因此在绘图之前将结果转置可能会有帮助。）
+（这个数据包通常会返回包含年份信息的列。这在使用 pandas 简单绘图时并不总是方便，因此在绘图之前将结果转置可能会有帮助。）
 
 ```{code-cell} ipython3
 data = data.T           # 将年份作为行
@@ -573,7 +572,7 @@ plt.show()
 (compare-income-wealth-usa-over-time)=
 ### 财富的基尼系数
 
-在上一节中，我们研究了收入的基尼系数，重点是使用美国的数据。
+在上一节中，我们重点使用美国的数据研究了收入的基尼系数。
 
 现在让我们来看一下财富分布的基尼系数。
 
@@ -609,7 +608,7 @@ plt.show()
 
 财富基尼系数的时间序列呈现出 U 形走势，在20世纪80年代初之前下降，然后迅速上升。
 
-一个可能的原因是这种变化主要由技术驱动的。
+一个可能的原因是这种变化是主要由技术驱动的。
 
 然而，我们将在下文中看到，并非所有发达经济体都经历了类似的不平等增长。
 
@@ -624,7 +623,7 @@ data = gini_all.unstack()
 data.columns
 ```
 
-此数据集中包含167个国家的数据。
+此数据包中涵盖了167个国家的数据。
 
 让我们比较三个发达经济体：美国、英国和挪威。
 
@@ -643,15 +642,15 @@ ax.legend(labels=["美国", "英国", "挪威"], title="")
 plt.show()
 ```
 
-我们看到挪威的数据时间序列较短。
+我们发现挪威的数据时间序列较短。
 
 让我们仔细查看底层数据，看看是否可以修正这个问题。
 
 ```{code-cell} ipython3
 data[['NOR']].dropna().head(n=5)
 ```
 
-此数据集中挪威的数据可以追溯到1979年，但时间序列中存在空缺，matplotlib 没有显示这些数据点。
+此数据包中挪威的数据可以追溯到1979年，但时间序列中存在空缺，所以matplotlib 没有显示这些数据点。
 
 我们可以使用 `.ffill()` 方法来复制并前移序列中的最后已知值，以填补这些空缺。
 
@@ -671,13 +670,13 @@ ax.legend(labels=["美国", "英国", "挪威"], title="")
 plt.show()
 ```
 
-从该图中我们可以观察到，与英国和挪威相比，美国的基尼系数更高（即收入不平等程度更高）。
+从这个图中我们可以观察到，与英国和挪威相比，美国的基尼系数更高（即收入不平等程度更高）。
 
 挪威在这三个经济体中基尼系数最低，而且基尼系数没有上升的趋势。
 
 ### 基尼系数与人均GDP（随时间变化）
 
-我们还可以查看基尼系数与人均GDP的比较（随时间变化）。
+我们还可以查看（随时间变化的）基尼系数与人均GDP的比较。
 
 让我们再次关注美国、挪威和英国。
 
@@ -846,11 +845,11 @@ plt.show()
 ```{exercise}
 :label: inequality_ex1
 
-使用模拟计算系列对数正态分布的前10%份额，这些对数正态分布与随机变量 $w_\sigma = \exp(\mu + \sigma Z)$ 相关联，其中 $Z \sim N(0, 1)$ 且 $\sigma$ 在一个从 $0.2$ 到 $4$ 的有限网格上变化。
+使用模拟数据来计算对数正态分布的前10%份额，这些对数正态分布与随机变量 $w_\sigma = \exp(\mu + \sigma Z)$ 相关联，其中 $Z \sim N(0, 1)$ 且 $\sigma$ 在一个从 $0.2$ 到 $4$ 的有限网格上变化。
 
 随着 $\sigma$ 的增加，$w_\sigma$ 的方差也在增加。
 
-为了关注波动性，在每一步调整 $\mu$ 以保持等式 $\mu = -\sigma^2 / 2$ 为真。
+为了关注波动性，在每一步调整 $\mu$ 以保持等式 $\mu = -\sigma^2 / 2$ 成立。
 
 对于每个 $\sigma$，生成2000个 $w_\sigma$ 的独立抽样，并计算洛伦兹曲线和基尼系数。
 
@@ -872,7 +871,7 @@ def calculate_top_share(s, p=0.1):
     return s[index:].sum() / s.sum()
 ```
 
-继续使用上面定义的 `calculate_top_share` 函数和之前定义的 `lorenz_curve` 以及 `gini_coefficient` 函数，我们可以为各个 σ 值生成统计数据，并绘制变化趋势。
+继续使用上面定义的 `calculate_top_share` 函数和之前定义的 `lorenz_curve` 以及 `gini_coefficient` 函数，我们可以为各个 $\sigma$ 值生成统计数据，并绘制变化趋势。
 
 ```{code-cell} ipython3
 k = 5