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
- Тип данных по тому, какие сравнения и операции с ними осмысленны: номинальная, порядковая, интервальная, отношений (классификация С. Стивенса).
- Шкала наименований: значения — названия категорий, которые можно только различать (равно / не равно).
- Категории можно упорядочить (больше / меньше), но «расстояния» между ними неизвестны или неравны.
- Числа с равными интервалами, но с условным нулём (температура в °C, календарный год): разности осмысленны, отношения — нет.
- Числа с абсолютным нулём (численность, плотность, осадки): можно говорить «вдвое больше».
- Качественные — номинальные (и отчасти порядковые) категории; количественные — числа на интервальной шкале и шкале отношений.
- Характеристика объекта — столбец таблицы (например,
income_grpилиpop_densityу страны). - Набор цветов, различающихся цветовым тоном при близкой светлоте, — для номинальных данных.
- Цвета, упорядоченные по светлоте (от светлого к тёмному), — для порядковых и числовых данных.
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
| Шкала | Что можно сказать | Допустимые операции | Примеры в географии | Как показать на карте |
|---|---|---|---|---|
| Номинальная | «A не такое, как B» | =, ≠; число объектов, мода | типы почв, религии, части света, виды землепользования | цветовой тон, форма значка, штриховка; качественный фон |
| Порядковая | «A больше B», но не на сколько | + <, >; медиана, ранг | класс опасности, уровень дохода (низкий…высокий), ранг дороги | светлота (последовательная шкала), ступенчатые значки |
| Интервальная | «A больше B на 10», но не «вдвое» | + сложение, вычитание; среднее | температура в °C, год основания города | последовательная или расходящаяся шкала, изолинии |
| Отношений | «A вдвое больше B» | все арифметические | численность и плотность населения, осадки, ВВП | размер 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).
Для каждого признака выберите шкалу. Счёт — внизу.
Как это влияет на карту
- Номинальные → различаем цветовым тоном при близкой светлоте (качественная шкала), формой значков, штриховкой. Ни один цвет не должен казаться «больше».
- Порядковые → картограмма с классами и последовательной цветовой шкалой (светлее — меньше, темнее — больше) или ступенчатые значки, где число ступеней равно числу категорий.
- Числовые → любые количественные способы; для картограммы сначала проверьте, нужно ли нормирование, а затем выберите классификацию.
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.
"""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")
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».
# 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")

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.
# 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")

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.
# 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")

Проверь себя
К какой шкале относятся типы почв (подзолистые, чернозёмы, каштановые…)?
- Порядковой
- Интервальной
- Номинальной
- Отношений
Как лучше всего показать риск наводнений «низкий / средний / высокий»?
- Картограммой с последовательной шкалой из трёх ступеней светлоты
- Тремя яркими цветами разного тона
- Непрерывной цветовой шкалой
- Анаморфозой
Почему нельзя сказать, что 20 °C «вдвое теплее» 10 °C?
- Температура — номинальная величина
- Это порядковая шкала
- Температуру нельзя картографировать
- Ноль шкалы Цельсия условный — это интервальная шкала
Какому способу изображения обязательно нужны числовые данные?
- Способу качественного фона
- Анаморфозе
- Значкам разной формы
- Ни одному
В таблице регионов есть столбец «код региона» (01, 02, … 89). Что с ним можно делать?
- Считать среднее и показывать последовательной шкалой
- Делить на площадь региона
- Только использовать как идентификатор (номинальная шкала)
- Строить по нему анаморфозу
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
- Level of Measurement / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/level-of-measurement (дата обращения: 27.10.2026).
- Natural Earth : free vector and raster map data : [сайт]. — URL: https://www.naturalearthdata.com/ (дата обращения: 27.10.2026). — Текст : электронный.
- 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.