Классификация данных
- О чём эта тема
- Как разбить сотни значений на несколько классов картограммы — и почему от выбора метода и числа классов карта может рассказать совсем другую историю.
- Коротко о главном
- Классификация объединяет множество значений в несколько классов (ступеней шкалы): карту легче читать, но это генерализация — часть информации теряется.
- Хорошая классификация собирает в один класс похожие значения и разводит по разным классам непохожие.
- Безопасное число классов — 3–7. Больше классов — точнее, но цвета труднее различить.
- Четыре основных метода: равные интервалы, квантили, естественные границы (Дженкс), ручные границы; ещё один — по стандартному отклонению.
- Прежде чем выбрать метод, посмотрите на гистограмму: асимметрия и выбросы ломают равные интервалы, квантили могут разорвать скопление близких значений.
- Один и тот же набор данных при разной классификации даёт разные карты — это самый простой способ «солгать картой», даже нечаянно.
- Время
- 25 минут + практика
Ключевые термины
- Разбиение диапазона значений показателя на интервалы (классы), каждому из которых на карте соответствует свой условный знак — например, ступень цветовой шкалы картограммы.
- Интервал значений, который на карте изображается одинаково. В отечественной литературе — также градация, ступень шкалы.
- Значения, разделяющие соседние классы. Именно их подписывают в легенде.
- Все классы одинаковой ширины: (максимум − минимум) / число классов.
- Равнонаполненные интервалы: в каждый класс попадает одинаковое число территориальных единиц.
- Метод Дженкса: границы подбираются так, чтобы разброс значений внутри классов был минимальным, а различия между классами — максимальными.
- Мера разброса значений вокруг среднего. В классификации границы ставят на расстоянии ±1σ, ±2σ от среднего.
- Столбчатая диаграмма распределения: сколько значений попадает в каждый узкий интервал. Главный инструмент выбора классификации.
- Значение, резко отличающееся от остальных (например, плотность населения Бангладеш — 1214 чел./км² при медиане ≈ 70).
Конспект
Зачем классифицировать и чем это опасно
Картограмма с классами показывает не 176 разных значений, а 4–6 ступеней цвета. Читателю так проще: несколько чётких классов легче различить и запомнить. Но классификация — это генерализация: мы объединяем разные значения, а небольшие изменения границ могут резко изменить облик карты. Читатель почти никогда не сомневается в границах классов — поэтому неудачная (или нарочно подобранная) классификация незаметно вводит в заблуждение.

Цель: однородные классы
- Внутри класса — значения похожи (минимальная внутриклассовая дисперсия).
- Между классами — значения заметно различаются.
- Пример: 1,3; 1,6; 3,5; 3,9. Естественно разбить их на {1,3; 1,6} и {3,5; 3,9} по большому разрыву посередине — это метод максимальных разрывов.
- Но иногда важнее критическое значение: если при показателе ниже 1,5 положена помощь, граница должна пройти по 1,5 — и близкие 1,3 и 1,6 окажутся в разных классах.
Сколько классов
| Классов | Плюсы | Минусы |
|---|---|---|
| 2 | Предельно просто: «выше / ниже среднего», «да / нет» | Почти вся информация потеряна |
| 3–7 | Цвета различимы на экране и в печати; карту легко запомнить | Нужно подумать, где провести границы |
| 8 и больше | Меньше генерализация | Соседние оттенки сливаются, растёт число ошибок чтения |

Методы классификации
| Метод | Как строится | Когда хорош | Чем опасен |
|---|---|---|---|
| Равные интервалы | Диапазон делится на k равных частей | Значения более-менее равномерно распределены по всему диапазону; легенда понятна («0–10, 10–20…») | При асимметрии и выбросах почти все объекты попадают в один класс, остальные классы пустуют |
| Квантили | В каждом классе одинаковое число объектов | Важен ранг («20 % самых…»); карта всегда «пёстрая» и привлекательная | Ширина классов очень разная (последний может быть огромным); близкие значения разрываются, далёкие — объединяются |
| Естественные границы (Дженкс) | Оптимизация: минимум разброса внутри классов | В данных есть скопления и разрывы; одиночная карта | Для каждого набора данных — свои границы: карты серии (по годам, по регионам) нельзя сравнивать |
| Стандартное отклонение | Границы на среднем ± 1σ и ± 2σ | Распределение близко к нормальному (симметричному); важно отклонение от среднего — тогда берут расходящуюся шкалу | На асимметричных данных даёт пустые классы и бессмысленные отрицательные границы |
| Ручные границы | Картограф задаёт сам | Есть пороговые (критические) значения, нужны «круглые» числа, одинаковые классы для серии карт | Субъективность — границы надо обосновать |
Наведите курсор на страну. Пунктир на гистограмме — границы классов, цвет столбика — класс.
Посмотрите в интерактиве на плотность населения: распределение резко асимметрично (большинство стран — до 150 чел./км², единицы — за 500). Равные интервалы дают почти одноцветную карту, стандартное отклонение — два пустых класса. Включите логарифмическую ось — распределение станет почти симметричным; так часто поступают с плотностью, доходами, численностью.
Choropleth — равные интервалы. Всегда стройте гистограмму и проверяйте, сколько объектов попало в каждый класс.Как построить классификацию на практике
- ГИС: в QGIS и ArcGIS есть все методы и гистограмма в окне настройки стиля.
- JavaScript: библиотека Simple Statistics (функции
ckmeans,quantile,equalIntervalBreaks), шкалы d3 (d3.scaleQuantize,scaleQuantile,scaleThreshold). - Python: библиотека
mapclassify—EqualInterval,Quantiles,FisherJenks,NaturalBreaks,StdMean,UserDefinedи другие. У каждого классификатора есть.bins(верхние границы),.counts(сколько объектов в классе),.yb(номер класса каждого объекта) и метод.get_gadf().

Делаем на Python (folium)
Во всех примерах — плотность населения стран мира (python/data/countries.geojson). Классы считает библиотека mapclassify, карты рисует folium, легенды — помощник add_legend из python/примеры/maptools.py. В скобках в легенде — число стран в классе: это первое, на что стоит смотреть.
Рецепт 1 Четыре метода — одна таблица
Границы классов, число стран в каждом классе и GADF — показатель качества классификации (goodness of absolute deviation fit, 0…1): чем ближе к 1, тем однороднее классы. Естественные границы по построению дают лучший GADF, но сравните, сколько стран попало в последние классы.
"""Четыре метода классификации одних и тех же данных — плотности населения стран. Для каждого метода печатаем границы классов, число стран в классе и GADF — меру «качества» классификации (0…1, чем ближе к 1, тем лучше внутри классов собраны похожие значения). """ from pathlib import Path import geopandas as gpd import mapclassify DATA = Path(__file__).resolve().parents[2] / "data" world = gpd.read_file(DATA / "countries.geojson") world = world[world["iso_a3"] != "ATA"] y = world["pop_density"] # чел./км² print(f"Стран: {len(y)}; минимум {y.min():.2f}, медиана {y.median():.1f}, " f"среднее {y.mean():.1f}, максимум {y.max():.0f} чел./км²\n") k = 5 methods = { "Равные интервалы": mapclassify.EqualInterval(y, k=k), "Квантили": mapclassify.Quantiles(y, k=k), "Естественные границы (Дженкс)": mapclassify.FisherJenks(y, k=k), "Стандартное отклонение": mapclassify.StdMean(y), # границы: среднее ± 1 и 2 σ } for name, c in methods.items(): # нижняя граница класса = верхняя граница предыдущего; у первого — минимум данных first = f"{y.min():.1f}" if c.bins[0] >= y.min() else "−∞" lows = [first] + [f"{b:.1f}" for b in c.bins[:-1]] print(f"{name} GADF = {c.get_gadf():.2f}") for lo, hi, n in zip(lows, c.bins, c.counts): bar = "█" * (n // 4) print(f" {lo:>8} – {hi:7.1f} {n:3d} стран {bar}") print() print("У стандартного отклонения два пустых класса: среднее − σ < 0,") print("а отрицательной плотности не бывает. Метод рассчитан на симметричные данные.\n") # Самые «плотные» страны — те самые выбросы, которые растягивают равные интервалы top = world.nlargest(5, "pop_density")[["name_ru", "pop_density"]] print("Пять самых густонаселённых стран:") print(top.to_string(index=False, header=False))
Стран: 176; минимум 0.01, медиана 69.8, среднее 117.4, максимум 1214 чел./км²
Равные интервалы GADF = 0.48
0.0 – 242.8 153 стран ██████████████████████████████████████
242.8 – 485.6 17 стран ████
485.6 – 728.4 4 стран █
728.4 – 971.2 1 стран
971.2 – 1214.0 1 стран
Квантили GADF = 0.58
0.0 – 19.3 36 стран █████████
19.3 – 50.2 35 стран ████████
50.2 – 88.4 35 стран ████████
88.4 – 166.3 35 стран ████████
166.3 – 1214.0 35 стран ████████
Естественные границы (Дженкс) GADF = 0.68
0.0 – 70.7 89 стран ██████████████████████
70.7 – 192.4 59 стран ██████████████
192.4 – 392.6 19 стран ████
392.6 – 684.2 7 стран █
684.2 – 1214.0 2 стран
Стандартное отклонение GADF = 0.40
−∞ – -205.4 0 стран
-205.4 – -44.0 0 стран
-44.0 – 278.8 158 стран ███████████████████████████████████████
278.8 – 440.2 12 стран ███
440.2 – 1214.0 6 стран █
У стандартного отклонения два пустых класса: среднее − σ < 0,
а отрицательной плотности не бывает. Метод рассчитан на симметричные данные.
Пять самых густонаселённых стран:
Бангладеш 1214.04
Палестина 927.42
Тайвань 684.21
Ливан 677.11
Руанда 536.84Рецепт 2 Гистограмма с границами классов
matplotlib рисует гистограмму, а мы красим каждый столбик в цвет его класса и проводим границы пунктиром. Сразу видно: у равных интервалов почти всё в первом классе, у стандартного отклонения два класса пусты (их границы отрицательны).
"""Гистограмма плотности населения и границы классов четырёх методов. Прежде чем выбирать метод классификации, посмотрите на распределение. Здесь оно резко асимметрично: большинство стран — меньше 150 чел./км², а несколько выбросов доходят до 1200. """ from pathlib import Path import geopandas as gpd import mapclassify import matplotlib.pyplot as plt DATA = Path(__file__).resolve().parents[2] / "data" world = gpd.read_file(DATA / "countries.geojson") y = world.loc[world["iso_a3"] != "ATA", "pop_density"] methods = [ ("Равные интервалы", mapclassify.EqualInterval(y, k=5)), ("Квантили", mapclassify.Quantiles(y, k=5)), ("Естественные границы (Дженкс)", mapclassify.FisherJenks(y, k=5)), ("Стандартное отклонение (среднее ± σ)", mapclassify.StdMean(y)), ] colors = ["#fef0d9", "#fdcc8a", "#fc8d59", "#e34a33", "#b30000"] # YlOrRd/OrRd, 5 классов fig, axes = plt.subplots(2, 2, figsize=(11, 6.4), sharex=True, sharey=True) for ax, (title, c) in zip(axes.flat, methods): # раскрашиваем столбики гистограммы в цвет класса, в который попадает их середина n, edges, patches = ax.hist(y, bins=60, range=(0, 1220), edgecolor="#777", linewidth=0.3) for left, right, p in zip(edges[:-1], edges[1:], patches): cls = min(int((c.bins < (left + right) / 2).sum()), len(colors) - 1) p.set_facecolor(colors[cls]) for b in c.bins[:-1]: if b > 0: # у StdMean нижние границы отрицательны — их не рисуем ax.axvline(b, color="#333", linestyle="--", linewidth=1) ax.set_title(f"{title}\nстран в классах: {', '.join(map(str, c.counts))}", fontsize=10.5) ax.grid(axis="y", alpha=0.3) for ax in axes[1]: ax.set_xlabel("Плотность населения, чел./км²") for ax in axes[:, 0]: ax.set_ylabel("Число стран") fig.suptitle("Одни и те же данные — четыре разбиения на классы", fontsize=13, fontweight="bold") fig.tight_layout() plt.savefig("02_histograms.png", dpi=110, bbox_inches="tight")

Рецепт 3 Равные интервалы против квантилей
Слева мир почти одноцветный: выделяются только Индия, Бангладеш и несколько стран Европы и Восточной Азии. Справа карта «пёстрая», но пятый класс охватывает значения от 166 до 1214 — Германия (233 чел./км²) и Бангладеш (1214) в нём неразличимы.
# screenshot: 1100x520 """Равные интервалы против квантилей на одних и тех же данных. Плотность населения распределена резко асимметрично. Равные интервалы «съедают» почти все страны первым классом, квантили раскрашивают карту равномерно, но последний класс у них огромный: от 166 до 1214 чел./км². """ import sys from pathlib import Path import folium import geopandas as gpd import mapclassify from branca.utilities import color_brewer from folium.plugins import DualMap sys.path.insert(0, str(Path(__file__).resolve().parents[1])) from maptools import add_legend, add_title, fmt, plain_attribution DATA = Path(__file__).resolve().parents[2] / "data" world = gpd.read_file(DATA / "countries.geojson") world = world[world["iso_a3"] != "ATA"] COLORS = color_brewer("YlOrRd", 5) def add_classed(target, classifier, title): """Картограмма по готовому классификатору mapclassify + легенда с числом стран.""" gdf = world.assign(color=[COLORS[c] for c in classifier.yb]) # yb — номер класса folium.GeoJson( gdf[["name_ru", "pop_density", "color", "geometry"]], style_function=lambda f: {"fillColor": f["properties"]["color"], "color": "white", "weight": 0.5, "fillOpacity": 0.9}, tooltip=folium.GeoJsonTooltip(["name_ru", "pop_density"], aliases=["Страна", "Чел./км²"]), ).add_to(target) lows = [world["pop_density"].min()] + list(classifier.bins[:-1]) labels = [f"{fmt(lo)} – {fmt(hi)} ({n})" for lo, hi, n in zip(lows, classifier.bins, classifier.counts)] add_legend(target, title, COLORS[::-1], labels[::-1]) m = DualMap(location=[30, 15], zoom_start=1, tiles="Esri.WorldGrayCanvas") y = world["pop_density"] add_classed(m.m1, mapclassify.EqualInterval(y, k=5), "Чел./км² (стран)") add_title(m.m1, "Равные интервалы", "почти все страны — в первом классе") add_classed(m.m2, mapclassify.Quantiles(y, k=5), "Чел./км² (стран)") add_title(m.m2, "Квантили", "в каждом классе по 35 стран") plain_attribution(m) m.save("03_equal_vs_quantiles.html")

Рецепт 4 Естественные границы и ручные границы
Ручная классификация с критическим значением: одна из границ — среднемировая плотность населения (≈ 57 чел./км²). Раз есть осмысленная «середина», берём расходящуюся шкалу: синие страны заселены реже, чем мир в среднем, красные — гуще. Обратите внимание: среднемировая плотность (всё население / вся площадь) и среднее по странам — разные числа.
# screenshot: 1100x520 """Естественные границы (метод Дженкса) против ручной классификации. Справа границы заданы вручную: «круглые» числа и одно КРИТИЧЕСКОЕ значение — среднемировая плотность населения. Теперь по цвету сразу видно, какие страны заселены гуще, а какие реже, чем мир в среднем. """ import sys from pathlib import Path import folium import geopandas as gpd import mapclassify from branca.utilities import color_brewer from folium.plugins import DualMap sys.path.insert(0, str(Path(__file__).resolve().parents[1])) from maptools import add_legend, add_title, fmt, plain_attribution DATA = Path(__file__).resolve().parents[2] / "data" world = gpd.read_file(DATA / "countries.geojson") world = world[world["iso_a3"] != "ATA"] y = world["pop_density"] def add_classed(target, classifier, colors, title): gdf = world.assign(color=[colors[c] for c in classifier.yb]) folium.GeoJson( gdf[["name_ru", "pop_density", "color", "geometry"]], style_function=lambda f: {"fillColor": f["properties"]["color"], "color": "white", "weight": 0.5, "fillOpacity": 0.9}, tooltip=folium.GeoJsonTooltip(["name_ru", "pop_density"], aliases=["Страна", "Чел./км²"]), ).add_to(target) lows = [y.min()] + list(classifier.bins[:-1]) labels = [f"{fmt(lo)} – {fmt(hi)} ({n})" for lo, hi, n in zip(lows, classifier.bins, classifier.counts)] add_legend(target, title, colors[::-1], labels[::-1]) # Среднемировая плотность: всё население / вся площадь (а не среднее по странам!) world_avg = world["pop_est"].sum() / world["area_km2"].sum() print(f"Среднемировая плотность: {world_avg:.1f} чел./км²") print(f"Среднее арифметическое по странам: {y.mean():.1f} чел./км² — это другое число") m = DualMap(location=[30, 15], zoom_start=1, tiles="Esri.WorldGrayCanvas") jenks = mapclassify.FisherJenks(y, k=5) add_classed(m.m1, jenks, color_brewer("YlOrRd", 5), "Чел./км² (стран)") add_title(m.m1, "Естественные границы", "метод Дженкса, 5 классов") # Ручные границы: 10, среднемировая, 150, 300 и максимум manual = mapclassify.UserDefined(y, bins=[10, round(world_avg), 150, 300, y.max()]) # Расходящаяся шкала: синие — реже среднего, красные — гуще diverging = ["#2c7bb6", "#abd9e9", "#fdae61", "#f46d43", "#a50026"] add_classed(m.m2, manual, diverging, "Чел./км² (стран)") add_title(m.m2, "Ручные границы", f"граница {round(world_avg)} — среднемировая плотность") plain_attribution(m) m.save("04_jenks_vs_manual.html")
Среднемировая плотность: 56.6 чел./км² Среднее арифметическое по странам: 117.4 чел./км² — это другое число

Проверь себя
В данных есть один огромный выброс. Чем это плохо для равных интервалов?
- Метод не сможет построить границы
- Почти все объекты окажутся в одном-двух классах, остальные будут пустыми
- Классы получатся с одинаковым числом объектов
- Ничем — выбросы на равные интервалы не влияют
30 районов разбили на 6 классов методом квантилей. Сколько районов в каждом классе?
- 6
- Зависит от распределения
- 30
- 5
Вы готовите серию карт безработицы по годам (2015, 2020, 2025). Какую классификацию выбрать?
- Одинаковые (ручные) границы для всех карт
- Естественные границы для каждой карты отдельно
- Квантили для каждой карты отдельно
- Каждый год — новое число классов
Что минимизирует метод естественных границ Дженкса?
- Число классов
- Разницу в числе объектов между классами
- Разброс значений внутри классов
- Ширину самого большого класса
Для какого распределения хорошо подходит классификация по стандартному отклонению?
- Резко асимметричного, с длинным «хвостом»
- Близкого к нормальному, симметричного относительно среднего
- Распределения номинальных данных
- Любого — метод универсален
Практическое задание
Постройте картограмму ВВП на душу населения (gdp_per_capita, страны без данных исключите). Сначала постройте гистограмму, затем сравните на DualMap два метода классификации на ваш выбор. Напишите 2–3 предложения: какой метод лучше передаёт различия между странами и почему.
- Построена гистограмма, по ней выбрано число классов (3–7)
- В легенде — границы классов, единицы измерения и число стран в классе
- Шкала последовательная (или расходящаяся — только если есть осмысленная середина)
- Проверено, нет ли пустых или переполненных классов
- Вывод обоснован ссылкой на гистограмму
Источники
- The Basics of Data Classification / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/data-classification (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.