diff --git a/lectures/long_run_growth.md b/lectures/long_run_growth.md
index b15f2493..41f18b22 100644
--- a/lectures/long_run_growth.md
+++ b/lectures/long_run_growth.md
@@ -19,34 +19,35 @@ kernelspec:
 
 除了学习如何运用这些工具之外，我们还将使用它们来描述跨越多个世纪的多个国家的经济增长经历。
 
-这些 “增长事实 ”之所以有趣，原因是多方面的。 
+这些 “增长事实 ”之所以有趣，原因有很多。 
 
-首先解释增长事实是 “发展经济学 ”和 “经济史”的主要目的。
+解释增长事实是 “发展经济学 ”和 “经济史”的主要目的。
 
-其次增长事实也是历史学家研究地缘政治力量和动态的重要依据。
+并且增长事实也是历史学家研究地缘政治力量和动态的重要依据。
 
-因此，亚当·图泽在阐述第一次世界大战的地缘政治先例和前因后果时，首先描述了欧洲大国的国内生产总值（GDP）在 1914 年之前的 70 年间是如何演变的（见 {cite}`Tooze_2014` 第 1 章）。
+因此，亚当·图泽(Adam Tooze)在阐述第一次世界大战的地缘政治先例和前因后果时，首先描述了欧洲大国的国内生产总值（GDP）在 1914 年之前的 70 年间是如何演变的（见 {cite}`Tooze_2014` 第 1 章）。
 
-使用与图泽构建图表时相同的数据（时间线稍长），下面是我们对他的第 1 章图表的解读。
+使用与图泽构建图表时相同的数据（使用稍长一些的时间线），以下是我们在他的第一章图表基础上制作的版本。
 
 ```{figure} _static/lecture_specific/long_run_growth/tooze_ch1_graph.png
 :width: 100%
 ```
 
-（这只是我们的图 {numref}`gdp1` 的副本。 我们将在本讲座的稍后部分介绍如何绘制{numref}`gdp1`）。
+（这只是我们的图 {numref}`gdp1` 的副本。 我们将在本讲的稍后部分介绍如何绘制{numref}`gdp1`）。
 
 {cite}`Tooze_2014`的第1章用他的图表说明了美国的GDP在19世纪初如何远远落后于大英帝国的GDP。
 
 到 19 世纪末，美国的 GDP 已赶上大英帝国的 GDP，而在 20 世纪上半叶，
-美国的国内生产总值超过了大英帝国。
+美国的GDP超过了大英帝国。
 
 在亚当·图泽看来，这一事实是 “美国世纪 ”的关键地缘政治基础。
 
-看了这张图，以及这些数据是如何为 “美国的20世纪” 搭建地缘政治舞台的，我们或许想知道 2014 年及以后与上图对应的图表。
+看了这张图，以及它是如何为 “美国的20世纪” 搭建地缘政治舞台的，自然会让人想为2014年或之后的时期制作一张类似的图表。
 
-(感兴趣的读者若想找到这个答案的提示，现在不妨跳到后面看看图{numref}`gdp2`）。
+(如果心急的读者想提前了解答案，现在可以跳到后面看看图{numref}`gdp2`）。
+
+正如我们将看到的，通过类比推理，这张2014年或之后的图表或许为解释“某某国家的（21世纪）世纪”奠定了基础，而你可以自由填入你对某某国家的猜测。
 
-正如我们将看到的，通过类比推理，这张图或许奠定了“XXX国的21世纪”的基础，XXX可以替换为任何国家。
 
 在我们收集数据以构建这两个图表的过程中，我们还将研究很多国家在尽可能长的时间范围内的增长经历。
 
@@ -113,7 +114,7 @@ countries
 
 我们现在可以继续探索数据集里的169个国家。
 
-我们可以遍历每个国家来了解每个国家可用的年份。
+我们可以遍历每个国家来了解每个国家可用的年份都有哪些。
 
 ```{code-cell} ipython3
 country_years = []
@@ -126,7 +127,7 @@ country_years = pd.DataFrame(country_years,
 country_years.head()
 ```
 
-现在，让我们将原始数据重塑为一些方便的变量，以便更快地访问各国的时间序列数据。
+现在，让我们将原始数据重新整理成一些方便的变量，以便更快地访问各国的时间序列数据。
 
 我们可以在该数据集中的国家代码（`countrycode`）和国家名称（`country`）之间建立一个有用的映射关系。
 
@@ -136,7 +137,7 @@ country_years.head()
 code_to_name = pd.read_csv("../lectures/datasets/country_code_cn.csv").set_index('code')
 ```
 
-现在，我们调用人均 GDP (`gdppc`)，并生成一个宽格式的数据
+现在，我们专注于人均 GDP (`gdppc`)，并生成一个宽格式的数据表。
 
 ```{code-cell} ipython3
 gdp_pc = data.set_index(['countrycode', 'year'])['gdppc']
@@ -170,8 +171,6 @@ color_mapping = {country: color for
 
 首先我们研究英国的 GDP 增长情况
 
-现在我们可以提取并绘制这些国家的 GDP 数据。
-
 ```{code-cell} ipython3
 ---
 mystnb:
@@ -194,7 +193,7 @@ gdp_pc[country].plot(
 [国际元](https://zh.wikipedia.org/wiki/%E5%9C%8B%E9%9A%9B%E5%85%83) 是一种假设的货币单位，在特定时间点与美元在美国的购买力平价相同。它们也被称为 Geary-Khamis 元（GK 元）。
 :::
 
-我们可以看到，在本千年早期的 250 年中有长一段数据是不连续的，因此我们可以选择内插法得到连续的线图。
+我们可以看到，在本千年的头 250 年中有长一段数据是不连续的，因此我们可以选择内插法得到连续的线图。
 
 在这里，我们用虚线表示插值趋势
 
@@ -342,7 +341,7 @@ plt.show()
 - 大部分增长发生在工业革命之后的过去150年间。
 - 从1820年到1940年，美国和英国的人均GDP上升并与中国拉开差距。
 - 1950年后，尤其是1970年代末后，差距迅速缩小。
-- 这些结果反映了技术和经济政策因素的复杂组合，经济增长的研究者们试图理解并量化这些因素。
+- 这些结果反映了科技和经济政策因素的复杂组合，经济增长的研究者们试图理解并量化这些因素。
 
 ### 聚焦于中国
 
@@ -355,7 +354,7 @@ plt.show()
 - 清政府闭关锁国政策后的长期经济下行和停滞。
 - 英国工业革命开始后，中国的经历与英国截然不同。
 - 自强运动似乎主要帮助了中国的增长。
-- 现代中国经济政策的惊人增长成果，最终在1970年代末进行的改革和开放政策中达到高潮。
+- 现代中国经济政策的惊人增长成果，最终在1970年代末进行的改革开放政策后达到高位。
 
 ```{code-cell} ipython3
 ---
@@ -488,7 +487,7 @@ gdp = data['gdp'].unstack('countrycode')
 
 最显著的趋势是美国的崛起，在1860年代超过英国，并在1880年代超过中国。
 
-这种增长持续到1930年代的大萧条到来时出现大幅下降。
+持续的增长在1930年代的大萧条到来时出现了转折并大幅下降。
 
 与此同时，俄罗斯在第一次世界大战期间经历了重大挫折，并在二月革命后显著恢复。
 
@@ -512,7 +511,8 @@ draw_interp_plots(gdp[country].loc[start_year:end_year],
 
 在本节中，我们将介绍如何构建本讲座开始时讨论过的{cite}`Tooze_2014`第1章中引人注目的图表。
 
-首先，让我们定义一个由大英帝国（BEM）组成的国家集合，这样我们就可以用图泽的数据中复制绘制这幅图
+首先，我们定义一个由大英帝国(BEM)所包含的国家组成的集合，这样我们就可以复制图兹图表中的这一系列数据。
+
 
 ```{code-cell} ipython3
 BEM = ['GBR', 'IND', 'AUS', 'NZL', 'CAN', 'ZAF']
@@ -520,13 +520,13 @@ BEM = ['GBR', 'IND', 'AUS', 'NZL', 'CAN', 'ZAF']
 gdp['BEM'] = gdp[BEM].loc[start_year-1:end_year].interpolate(method='index').sum(axis=1)
 ```
 
-现在，让我们组装这些数据序列
+现在，让我们整理好数据系列，准备绘制图表。
+
 
 ```{code-cell} ipython3
 color_mapping['BEM'] = color_mapping['GBR']  
 ```
 
-并绘制他们
 
 ```{code-cell} ipython3
 fig, ax = plt.subplots(dpi=300)
@@ -572,7 +572,7 @@ draw_interp_plots(gdp[country].loc[start_year:end_year],
 
 ## 地区分析
 
-我们经常要研究“世界大国”俱乐部之外的国家的历史。
+我们也想要研究那些不属于“世界强国”俱乐部的国家的历史经验。
 
 [Maddison Historical Statistics](https://www.rug.nl/ggdc/historicaldevelopment/maddison/) 数据集还整合了地区汇总信息
 
@@ -591,7 +591,7 @@ regionalgdp_pc = data['gdppc_2011'].copy()
 regionalgdp_pc.index = pd.to_datetime(regionalgdp_pc.index, format='%Y')
 ```
 
-我们基于时间进行插值来填补数据集中的任何缺口，以便于绘图
+我们可以基于时间进行插值来填补数据集中的任何缺口，以便于绘图
 
 ```{code-cell} ipython3
 regionalgdp_pc.interpolate(method='time', inplace=True)
@@ -600,7 +600,7 @@ regionalgdp_pc.columns = ['西欧', '东欧', '西方分支', '拉丁美洲', '
 
 进行更深入的研究，我们将西方分支（`Western Offshoots`）和撒哈拉以南非洲（`Sub-Saharan Africa`）的时间序列与世界各地多个不同地区进行比较。
 
-下图再次展示了工业革命之后西方与世界其他地区的差距，以及1950年之后的世界趋同
+我们再次看到，工业革命后西方与世界其他地区的发展出现分歧，而在1950年代后，世界各地开始趋于一致。
 
 ```{code-cell} ipython3
 ---