Картографическое отображение · конспект 8 из 23 · Географические данные

Шкалы измерения

О чём эта тема
Номинальные, порядковые и числовые данные: прежде чем выбрать способ изображения и цветовую шкалу, выясните, на какой шкале измерен ваш показатель.
Коротко о главном
  • Не все данные одинаковы: от шкалы измерения зависит, какие условные знаки и способы изображения допустимы.
  • Номинальные данные — категории без порядка (типы почв, религии, части света). Показываем цветовым тоном или формой, но не светлотой и не размером.
  • Порядковые данные — упорядоченные категории (низкий / средний / высокий риск). Показываем последовательной шкалой по светлоте или ступенчатыми значками.
  • Числовые данные (интервальная шкала и шкала отношений) — «топливо» тематических карт: картограммы, значки, точечный способ, анаморфозы.
  • Цифры ещё не делают данные числовыми: номер региона или код группы — это ярлыки, их нельзя усреднять.
Время
15 минут + практика

Ключевые термины

Конспект

Знайте свои данные

Успех тематической карты зависит от того, правильно ли условные знаки подобраны к данным. Многим способам изображения нужны числа: анаморфоза масштабирует площади, ступенчатые значки — размеры, картограмма и точечный способ — цвет и число точек. Без чисел этим знакам «не на что опереться». Преобладающую религию или тип почв так не покажешь: ни одна категория не «больше» другой.

Четыре шкалы

ШкалаЧто можно сказатьДопустимые операцииПримеры в географииКак показать на карте
Номинальная«A не такое, как B»=, ≠; число объектов, модатипы почв, религии, части света, виды землепользованияцветовой тон, форма значка, штриховка; качественный фон
Порядковая«A больше B», но не на сколько+ <, >; медиана, рангкласс опасности, уровень дохода (низкий…высокий), ранг дорогисветлота (последовательная шкала), ступенчатые значки
Интервальная«A больше B на 10», но не «вдвое»+ сложение, вычитание; среднеетемпература в °C, год основания городапоследовательная или расходящаяся шкала, изолинии
Отношений«A вдвое больше B»все арифметическиечисленность и плотность населения, осадки, ВВПразмер значков, светлота; картограмма (после нормирования), точечный способ, анаморфоза

В оригинальной статье Axis Maps две числовые шкалы — интервальная и отношений — объединены в «числовые данные». Различие важно, когда вы сравниваете значения: «в Бангладеш плотность населения в 142 раза выше, чем в России» — корректно; «20 °C вдвое теплее, чем 10 °C» — нет (в кельвинах это 293 и 283 K).

Типичная ошибкаЦифры — ещё не числа. Код региона (77, 78, 50), почтовый индекс, номер группы дохода «1…5» — это ярлыки номинальной или порядковой шкалы. Среднее таких «чисел» бессмысленно, и показывать их непрерывной цветовой шкалой нельзя.
Тренажёр: к какой шкале относится признак?

Для каждого признака выберите шкалу. Счёт — внизу.

Как это влияет на карту

Интерактив: шкала данных → цветовая шкала

СоветСобирайте данные на самой «сильной» шкале. Плотность населения в чел./км² всегда можно свести к категориям «низкая / средняя / высокая» (рецепт 4), а из категории «высокая» число уже не восстановить.
В отечественной традицииШкалы наименований, порядка, интервалов и отношений (по С. Стивенсу) подробно разбирают А. М. Берлянт и В. С. Тикунов. Номинальным данным соответствует способ качественного фона — основа типологических карт (почвенных, геологических, карт растительности и землепользования), а также значки разной формы. Порядковые и количественные данные передают картограммой, картодиаграммой, значками разного размера, изолиниями и точечным способом.

Делаем на Python (folium)

Используем столбцы python/data/countries.geojson трёх разных шкал: continent (номинальная), income_grp (порядковая, группы Всемирного банка) и pop_density (шкала отношений). Легенды и заголовки — помощники из python/примеры/maptools.py.

Рецепт 1 Тип данных в pandas ≠ шкала измерения

Для каждого столбца определяем шкалу и проверяем на деле, какие операции осмысленны: мода у номинальной, медиана у порядковой, отношение «во сколько раз» у шкалы отношений. И почему 20 °C не «вдвое теплее» 10 °C.

python/примеры/level-of-measurement/01_scales_in_data.pyскачать .py
"""Какой шкале измерения соответствует каждый столбец таблицы стран
и какие операции с ним допустимы.

Тип данных в pandas (str, int, float) ещё НЕ говорит о шкале: номера групп
дохода «1…5» записаны цифрами, но это порядковая шкала, а не числа.
"""
from pathlib import Path

import geopandas as gpd

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[world["iso_a3"] != "ATA"]

scales = {
    "continent":   ("номинальная", "=, ≠        → число объектов, мода"),
    "income_grp":  ("порядковая",  "=, ≠, <, >  → + медиана, ранги"),
    "pop_est":     ("отношений",   "всё, вкл. × и ÷ → + среднее, «во сколько раз»"),
    "pop_density": ("отношений",   "всё, вкл. × и ÷ → + среднее, «во сколько раз»"),
}
print(f"{'столбец':<12} {'dtype':<7} {'шкала':<12} допустимые операции")
for col, (scale, ops) in scales.items():
    print(f"{col:<12} {str(world[col].dtype):<7} {scale:<12} {ops}")

# 1. Номинальная шкала: имеют смысл только подсчёт и мода
print("\nНоминальная — стран по частям света (мода — самая частая категория):")
print(world["continent"].value_counts().to_string())

# 2. Порядковая шкала: можно сравнивать и брать медиану, но не среднее
codes = world["income_grp"].str[0].astype(int)  # «1. High income…» → 1
print(f"\nПорядковая — медиана номера группы дохода: {codes.median():.0f} (имеет смысл)")
print(f"Среднее номеров групп: {codes.mean():.2f} — бессмыслица: «расстояния» между группами не равны")

# 3. Шкала отношений: есть абсолютный ноль, отношения осмысленны
d = world.set_index("name_ru")["pop_density"]
ratio = d["Бангладеш"] / d["Россия"]
print(f"\nОтношений — плотность: Бангладеш / Россия = {ratio:.0f}, во столько раз теснее живут люди")
print("(так говорить корректно: 0 чел./км² — настоящий ноль, «людей нет»)")

# 4. Интервальная шкала: ноль условный, «во сколько раз» спрашивать нельзя
t1, t2 = 10, 20  # °C — пример из жизни, не из таблицы
print(f"\nИнтервальная — {t2} °C не «вдвое теплее», чем {t1} °C: "
      f"в кельвинах отношение {(t2 + 273.15) / (t1 + 273.15):.3f}, а не 2")
вывод программы
столбец      dtype   шкала        допустимые операции
continent    str     номинальная  =, ≠        → число объектов, мода
income_grp   str     порядковая   =, ≠, <, >  → + медиана, ранги
pop_est      int32   отношений    всё, вкл. × и ÷ → + среднее, «во сколько раз»
pop_density  float64 отношений    всё, вкл. × и ÷ → + среднее, «во сколько раз»

Номинальная — стран по частям света (мода — самая частая категория):
continent
Africa                     51
Asia                       47
Europe                     39
North America              18
South America              13
Oceania                     7
Seven seas (open ocean)     1

Порядковая — медиана номера группы дохода: 3 (имеет смысл)
Среднее номеров групп: 3.23 — бессмыслица: «расстояния» между группами не равны

Отношений — плотность: Бангладеш / Россия = 142, во столько раз теснее живут люди
(так говорить корректно: 0 чел./км² — настоящий ноль, «людей нет»)

Интервальная — 20 °C не «вдвое теплее», чем 10 °C: в кельвинах отношение 1.035, а не 2

Рецепт 2 Номинальные данные — цветовым тоном

Словарь «категория → цвет» и style_function. Цвета палитры Set2 различаются тоном, а светлота у них близкая, поэтому ни одна часть света не выглядит «важнее».

python/примеры/level-of-measurement/02_nominal.pyскачать .py
# screenshot: 1000x600
"""Номинальная шкала: части света. Категории не упорядочены —
показываем их ЦВЕТОВЫМ ТОНОМ (качественная шкала) близкой светлоты.

Ни один цвет не должен выглядеть «больше» или «важнее» другого.
"""
import sys
from pathlib import Path

import folium
import geopandas as gpd

sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
from maptools import add_legend, add_title, plain_attribution

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[world["iso_a3"] != "ATA"]

# Качественная шкала ColorBrewer Set2: разные тона, близкая светлота
PARTS = {
    "Africa": ("Африка", "#66c2a5"),
    "Asia": ("Азия", "#fc8d62"),
    "Europe": ("Европа", "#8da0cb"),
    "North America": ("Северная Америка", "#e78ac3"),
    "South America": ("Южная Америка", "#a6d854"),
    "Oceania": ("Океания", "#ffd92f"),
    "Seven seas (open ocean)": ("Острова в открытом океане", "#b3b3b3"),
}
world["part"] = world["continent"].map(lambda c: PARTS[c][0])
world["color"] = world["continent"].map(lambda c: PARTS[c][1])

m = folium.Map(location=[12, 10], zoom_start=2, tiles="Esri.WorldGrayCanvas")
folium.GeoJson(
    world[["name_ru", "part", "color", "geometry"]],
    style_function=lambda f: {"fillColor": f["properties"]["color"], "color": "white",
                              "weight": 0.6, "fillOpacity": 0.9},
    tooltip=folium.GeoJsonTooltip(["name_ru", "part"], aliases=["Страна", "Часть света"]),
).add_to(m)

add_legend(m, "Часть света", [c for _, c in PARTS.values()], [n for n, _ in PARTS.values()],
           position="bottomleft")
add_title(m, "Номинальная шкала", "категории различаются цветовым тоном, а не светлотой")
plain_attribution(m)
m.save("02_nominal.html")
Номинальная шкала: части света — качественная шкала (ColorBrewer Set2)
Номинальная шкала: части света — качественная шкала (ColorBrewer Set2)открыть карту ↗

Рецепт 3 Порядковые данные — светлотой

Код группы дохода берём из первой цифры строки (.str[0]). Слева, чтобы понять, где богаче, приходится всё время смотреть в легенду; справа порядок читается сразу: тёмные страны богаче светлых.

python/примеры/level-of-measurement/03_ordinal.pyскачать .py
# screenshot: 1100x520
"""Порядковая шкала: группы стран по уровню дохода (классификация Всемирного банка).

Слева — ошибка: упорядоченные категории раскрашены разными цветовыми тонами,
порядок «бедные → богатые» по карте не читается. Справа — верно:
последовательная шкала, чем выше доход, тем темнее (меняется светлота).
"""
import sys
from pathlib import Path

import folium
import geopandas as gpd
from folium.plugins import DualMap

sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
from maptools import add_legend, add_title, plain_attribution

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[world["iso_a3"] != "ATA"]

# Код группы — первая цифра строки «1. High income: OECD»; 1 — самые богатые
world["code"] = world["income_grp"].str[0].astype(int)
LABELS = {1: "Высокий (страны ОЭСР)", 2: "Высокий (не ОЭСР)", 3: "Выше среднего",
          4: "Ниже среднего", 5: "Низкий"}
world["group"] = world["code"].map(LABELS)

QUALITATIVE = {1: "#e41a1c", 2: "#377eb8", 3: "#4daf4a", 4: "#984ea3", 5: "#ff7f00"}  # Set1
SEQUENTIAL = {1: "#006d2c", 2: "#31a354", 3: "#74c476", 4: "#bae4b3", 5: "#edf8e9"}   # Greens


def add_layer(target, palette, title, subtitle):
    gdf = world.assign(color=world["code"].map(palette))
    folium.GeoJson(
        gdf[["name_ru", "group", "color", "geometry"]],
        style_function=lambda f: {"fillColor": f["properties"]["color"], "color": "white",
                                  "weight": 0.5, "fillOpacity": 0.9},
        tooltip=folium.GeoJsonTooltip(["name_ru", "group"], aliases=["Страна", "Доход"]),
    ).add_to(target)
    add_legend(target, "Уровень дохода", [palette[k] for k in LABELS], list(LABELS.values()))
    add_title(target, title, subtitle)


m = DualMap(location=[30, 15], zoom_start=1, tiles="Esri.WorldGrayCanvas")
add_layer(m.m1, QUALITATIVE, "Разные цветовые тона", "порядок категорий потерян — ошибка")
add_layer(m.m2, SEQUENTIAL, "Последовательная шкала", "выше доход — темнее; верно")
plain_attribution(m)
m.save("03_ordinal.html")
Слева — порядковые данные разными тонами (ошибка), справа — последовательная шкала (верно)
Слева — порядковые данные разными тонами (ошибка), справа — последовательная шкала (верно)открыть карту ↗

Рецепт 4 От шкалы отношений к порядковой

Слева — непрерывная цветовая шкала branca.colormap.LinearColormap по логарифму плотности, справа — те же данные после np.select, сведённые к трём категориям. Карта проще, но различия внутри категорий исчезли.

python/примеры/level-of-measurement/04_ratio_to_ordinal.pyскачать .py
# screenshot: 1100x520
"""Шкала отношений → порядковая: от чисел всегда можно перейти к категориям.

Слева — плотность населения как число (непрерывная цветовая шкала, без классов).
Справа — те же данные, сведённые к трём порядковым категориям
«низкая / средняя / высокая». Обратный переход невозможен: из слова
«высокая» число не восстановить. Поэтому собирайте данные на самой «сильной» шкале.
"""
import sys
from pathlib import Path

import branca.colormap as cm
import folium
import geopandas as gpd
import numpy as np
from folium.plugins import DualMap

sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
from maptools import add_html, add_legend, add_title, plain_attribution

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[world["iso_a3"] != "ATA"].copy()

# Порядковая версия тех же данных: три категории
world["level"] = np.select([world["pop_density"] < 25, world["pop_density"] < 150],
                           ["низкая", "средняя"], "высокая")


def add_layer(target, colors, field, alias):
    gdf = world.assign(color=list(colors))
    folium.GeoJson(
        gdf[["name_ru", field, "color", "geometry"]],
        style_function=lambda f: {"fillColor": f["properties"]["color"], "color": "white",
                                  "weight": 0.5, "fillOpacity": 0.9},
        tooltip=folium.GeoJsonTooltip(["name_ru", field], aliases=["Страна", alias]),
    ).add_to(target)


# Непрерывная шкала по логарифму: значения от 0,01 до 1214 чел./км²
ramp = cm.LinearColormap(["#fff7ec", "#fdbb84", "#d7301f", "#7f0000"], vmin=0, vmax=3)
continuous = [ramp(np.log10(min(max(v, 1), 1000))) for v in world["pop_density"]]
ordinal = world["level"].map({"низкая": "#fee8c8", "средняя": "#fc8d59", "высокая": "#b30000"})

m = DualMap(location=[30, 15], zoom_start=1, tiles="Esri.WorldGrayCanvas")
add_layer(m.m1, continuous, "pop_density", "Чел./км²")
# Легенда непрерывной шкалы — градиентная полоса, подписи на логарифмических делениях
bar = ("<b>Чел./км²</b><div style='width:170px;height:12px;margin:5px 0 2px;border:1px solid #999;"
       "background:linear-gradient(to right, #fff7ec, #fdbb84, #d7301f, #7f0000)'></div>"
       "<div style='display:flex;justify-content:space-between;width:176px'>"
       "<span>≤1</span><span>10</span><span>100</span><span>≥1000</span></div>")
add_html(m.m1, bar, position="bottomright")
add_title(m.m1, "Шкала отношений", "плотность населения как число")

add_layer(m.m2, ordinal, "level", "Плотность")
add_legend(m.m2, "Плотность населения", ["#b30000", "#fc8d59", "#fee8c8"],
           ["высокая (более 150)", "средняя (25–150)", "низкая (менее 25)"])
add_title(m.m2, "Порядковая шкала", "те же данные — три категории")
plain_attribution(m)
m.save("04_ratio_to_ordinal.html")
Слева — плотность населения как число (непрерывная шкала), справа — три порядковые категории
Слева — плотность населения как число (непрерывная шкала), справа — три порядковые категорииоткрыть карту ↗

Проверь себя

К какой шкале относятся типы почв (подзолистые, чернозёмы, каштановые…)?

  1. Порядковой
  2. Интервальной
  3. Номинальной
  4. Отношений
Типы почв — разные категории, ни одна не «больше» другой. Это номинальная шкала, на карте — способ качественного фона.

Как лучше всего показать риск наводнений «низкий / средний / высокий»?

  1. Картограммой с последовательной шкалой из трёх ступеней светлоты
  2. Тремя яркими цветами разного тона
  3. Непрерывной цветовой шкалой
  4. Анаморфозой
Это порядковые данные: порядок категорий должен читаться без легенды — светлее меньше, темнее больше.

Почему нельзя сказать, что 20 °C «вдвое теплее» 10 °C?

  1. Температура — номинальная величина
  2. Это порядковая шкала
  3. Температуру нельзя картографировать
  4. Ноль шкалы Цельсия условный — это интервальная шкала
Разности температур осмысленны, отношения — нет. В кельвинах (шкала отношений) это 293 и 283 K — отношение ≈ 1,035.

Какому способу изображения обязательно нужны числовые данные?

  1. Способу качественного фона
  2. Анаморфозе
  3. Значкам разной формы
  4. Ни одному
Анаморфоза меняет площади территорий пропорционально числу. Для категорий без порядка ей нечего масштабировать.

В таблице регионов есть столбец «код региона» (01, 02, … 89). Что с ним можно делать?

  1. Считать среднее и показывать последовательной шкалой
  2. Делить на площадь региона
  3. Только использовать как идентификатор (номинальная шкала)
  4. Строить по нему анаморфозу
Код — ярлык. Цифры здесь ничего не измеряют.

Практическое задание

В countries.geojson есть столбец economy: «1. Developed region: G7», «2. Developed region: nonG7», «3. Emerging region: BRIC», «4. Emerging region: MIKT», «5. Emerging region: G20», «6. Developing region», «7. Least developed region». Определите, к какой шкале он относится (подсказка: порядок есть не везде), сгруппируйте значения в 4 упорядоченные категории и постройте карту folium с подходящей цветовой шкалой.

  • Письменно обоснована шкала измерения (какие категории упорядочены, какие — нет)
  • Для упорядоченных категорий — последовательная шкала по светлоте
  • Легенда по-русски, категории в ней идут по порядку
  • Номера «1.»…«7.» не используются как числа (нет средних и непрерывной шкалы)

Источники

  1. Level of Measurement / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/level-of-measurement (дата обращения: 27.10.2026).
  2. Natural Earth : free vector and raster map data : [сайт]. — URL: https://www.naturalearthdata.com/ (дата обращения: 27.10.2026). — Текст : электронный.
  3. Folium : documentation : [сайт]. — URL: https://python-visualization.github.io/folium/latest/ (дата обращения: 27.10.2026). — Текст : электронный.

Конспект подготовлен по переводу руководства Cartography Guide © Axis Maps (лицензия CC BY-NC-SA 4.0) и распространяется на тех же условиях: с указанием авторства, в некоммерческих целях, с сохранением условий лицензии.