Нормирование данных
- О чём эта тема
- Абсолютные или относительные показатели? Когда и как делить данные на площадь или на население — и почему без этого картограмма обманывает.
- Коротко о главном
- Абсолютный показатель отвечает на вопрос «сколько?» (население страны). Относительный — «насколько много в расчёте на…» (жителей на км², ВВП на душу).
- Нормирование — деление абсолютного показателя на «базу»: обычно на площадь территории или на численность населения.
- На картограмме (заливка территорий цветом) допустимы только относительные показатели. Абсолютные — значками или кругами (картодиаграмма).
- Если данные уже даны «на км²», «на душу», «в %», «на 1000 жителей» — нормировать не нужно.
- Выбор знаменателя меняет смысл карты: ВВП на км² и ВВП на душу — это две разные истории.
- Время
- 15 минут + практика
Ключевые термины
- Количество или сумма по территориальной единице: число жителей, тонн, школ. Зависит от размера территории.
- Отношение двух величин: плотность, доля, коэффициент на 1000 жителей. Позволяет сравнивать несхожие по размеру территории.
- Переход от абсолютного показателя к относительному — деление на площадь, население или другую базу.
- Показатель, нормированный на площадь: «x на км²». Например, плотность населения, густота дорожной сети.
- Показатель, нормированный на численность населения: ВВП на душу, жилая площадь на человека.
- Единица, по которой собраны данные: страна, регион, муниципальный район. Их площади и население сильно различаются — отсюда и нужда в нормировании.
- Карта, где территориальные единицы закрашены в зависимости от значения относительного показателя. Не путать с анаморфозой (англ. cartogram)!
Конспект
Зачем нормировать
Большая территория почти всегда «выигрывает» по абсолютным показателям: в ней больше людей, дорог, школ, ДТП. Картограмма абсолютных величин показывает в первую очередь размер территорий, а не изучаемое явление. Нормирование убирает влияние размера и позволяет сравнивать Канаду со Швейцарией.
Данные Natural Earth (население 2019 г.; площадь посчитана по генерализованным границам масштаба 1 : 110 млн, поэтому для маленьких стран она приблизительна).
Нормированы ли уже данные?
Посмотрите на единицы измерения. Если в них есть «на км²», «на душу», «на 1000 жителей», «%», «отношение x / y» — данные уже относительные. Осторожно со средними величинами (средняя зарплата, средний возраст): они тоже относительные — это сумма, делённая на число людей.
Для каждого показателя Росстата выберите ответ.
Как нормировать
- На площадь территориальной единицы → «x на км²» (плотность населения, густота дорог).
- На численность населения → «x на душу», «x на 1000 (100 000) жителей», «x в % от населения».
- На другую осмысленную базу: ДТП — на число автомобилей, урожай — на посевную площадь (урожайность, ц/га), выпускников — на число учеников.
gdf.area вернёт «квадратные градусы» — у Канады это 1713, у Швейцарии 5,4. Перед расчётом площади переведите данные в равновеликую проекцию: gdf.to_crs("ESRI:54009").area.Делаем на Python (folium)
Все примеры используют данные python/data/countries.geojson (страны мира, Natural Earth) и помощник python/примеры/maptools.py (легенда и заголовок карты). Как установить библиотеки — см. раздел Python.
Рецепт 1 Считаем плотность и ВВП на душу
Нормирование — это одна строка деления в pandas. Главное — правильно получить площадь: в равновеликой проекции. Обратите внимание и на вторую ловушку: целочисленное переполнение при умножении столбца int32.
"""Нормирование: считаем плотность населения и ВВП на душу населения. Главная ловушка — площадь. У GeoJSON координаты в градусах (EPSG:4326), и .area в градусах бессмысленна. Перед расчётом площади переводим геометрию в РАВНОВЕЛИКУЮ проекцию (здесь — проекция Мольвейде, ESRI:54009). """ from pathlib import Path import geopandas as gpd DATA = Path(__file__).resolve().parents[2] / "data" world = gpd.read_file(DATA / "countries.geojson") # 1. Площадь в км² — только в равновеликой проекции! world["area_km2"] = world.to_crs("ESRI:54009").area / 1_000_000 # 2. Нормирование на площадь: плотность населения, чел./км² world["density"] = world["pop_est"] / world["area_km2"] # 3. Нормирование на население: ВВП на душу, долл. США. # gdp_md (млн долл.) хранится как int32: умножение на целое 1_000_000 # молча переполнится! Умножаем на 1e6 — результат станет float. world["gdp_pc"] = world["gdp_md"] * 1e6 / world["pop_est"] cols = ["name_ru", "pop_est", "area_km2", "density", "gdp_md", "gdp_pc"] pair = world.set_index("iso_a3").loc[["CAN", "CHE"], cols] print("Канада и Швейцария: абсолютные и относительные показатели\n") print(pair.round(1).to_string(index=False)) # Для сравнения: «площадь» в квадратных градусах — так делать нельзя deg = world.set_index("iso_a3").loc[["CAN", "CHE"]].geometry.area print("\nПлощадь в «квадратных градусах» (неверно!):") print(deg.round(1).to_string())
Канада и Швейцария: абсолютные и относительные показатели name_ru pop_est area_km2 density gdp_md gdp_pc Канада 37589262 9996089.2 3.8 1736425 46194.7 Швейцария 8574832 46156.1 185.8 703082 81993.7 Площадь в «квадратных градусах» (неверно!): iso_a3 CAN 1713.0 CHE 5.4
Рецепт 2 Абсолютный и относительный показатель рядом
folium.plugins.DualMap строит две синхронные карты. Слева «выигрывают» большие страны — Россия, США, Бразилия. Справа видно реальное размещение населения: Южная и Восточная Азия, Европа, долина Нила.
# screenshot: 1100x520 """Одни и те же страны: абсолютный показатель (слева) и относительный (справа). DualMap — две синхронные карты: двигаете одну, двигается и другая. """ import sys from pathlib import Path import folium import geopandas as gpd import numpy as np 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, plain_attribution DATA = Path(__file__).resolve().parents[2] / "data" world = gpd.read_file(DATA / "countries.geojson") world = world[world["iso_a3"] != "ATA"] # Антарктиду не показываем COLORS = color_brewer("YlOrRd", 6) # 6 оттенков последовательной шкалы ColorBrewer def add_choropleth(target, column, breaks, labels, title, alias): """Раскрашиваем страны по классам, заданным границами breaks.""" classes = np.digitize(world[column], breaks[1:-1]) # номер класса 0…5 gdf = world.assign(color=[COLORS[c] for c in classes]) folium.GeoJson( gdf[["name_ru", column, "color", "geometry"]], style_function=lambda f: { "fillColor": f["properties"]["color"], "color": "white", "weight": 0.5, "fillOpacity": 0.9, }, tooltip=folium.GeoJsonTooltip(["name_ru", column], aliases=["Страна", alias]), ).add_to(target) add_legend(target, title, COLORS[::-1], labels[::-1]) m = DualMap(location=[35, 15], zoom_start=1, tiles="Esri.WorldGrayCanvas") add_choropleth( m.m1, "pop_est", breaks=[0, 5e6, 15e6, 40e6, 80e6, 200e6, 2e9], labels=["< 5 млн", "5–15 млн", "15–40 млн", "40–80 млн", "80–200 млн", "> 200 млн"], title="Население, чел.", alias="Население", ) add_title(m.m1, "Численность населения", "абсолютный показатель — так нельзя") add_choropleth( m.m2, "pop_density", breaks=[0, 10, 30, 60, 100, 200, 2000], labels=["< 10", "10–30", "30–60", "60–100", "100–200", "> 200"], title="Чел. на км²", alias="Плотность", ) add_title(m.m2, "Плотность населения", "относительный показатель — верно") plain_attribution(m) # убираем флажок из подписи Leaflet m.save("02_absolute_vs_relative.html")

Рецепт 3 Один числитель — два знаменателя
ВВП на км² показывает, где сконцентрирована экономика; ВВП на душу — насколько богаты жители. Классы построены методом квантилей (mapclassify.Quantiles) — подробнее о нём в конспекте «Классификация данных».
# screenshot: 1100x520 """Один числитель — два знаменателя: ВВП на км² и ВВП на душу населения. Классы строим методом квантилей из библиотеки mapclassify. """ 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") & world["gdp_per_capita"].notna()].copy() world["gdp_per_km2"] = world["gdp_md"] * 1e6 / world["area_km2"] # долл./км² world["gdp_pc"] = world["gdp_per_capita"] # долл./чел. def add_quantiles(target, column, title, k=5, palette="PuBu"): q = mapclassify.Quantiles(world[column], k=k) colors = color_brewer(palette, k) gdf = world.assign(color=[colors[c] for c in q.yb]) # q.yb — номер класса folium.GeoJson( gdf[["name_ru", column, "color", "geometry"]], style_function=lambda f: {"fillColor": f["properties"]["color"], "color": "white", "weight": 0.5, "fillOpacity": 0.9}, tooltip=folium.GeoJsonTooltip(["name_ru", column], aliases=["Страна", title]), ).add_to(target) lows = [world[column].min()] + list(q.bins[:-1]) labels = [f"{fmt(lo)} – {fmt(hi)}" for lo, hi in zip(lows, q.bins)] add_legend(target, title, colors[::-1], labels[::-1]) m = DualMap(location=[35, 15], zoom_start=1, tiles="Esri.WorldGrayCanvas") add_quantiles(m.m1, "gdp_per_km2", "ВВП, долл./км²") add_title(m.m1, "ВВП на км² площади", "где сосредоточено хозяйство") add_quantiles(m.m2, "gdp_pc", "ВВП, долл./чел.") add_title(m.m2, "ВВП на душу населения", "насколько богаты жители") plain_attribution(m) # убираем флажок из подписи Leaflet m.save("03_two_denominators.html")

Рецепт 4 Абсолютные значения — кругами, относительные — цветом
Правильный способ показать оба показателя на одной карте. Площадь круга пропорциональна населению, поэтому радиус берём пропорциональным квадратному корню из значения.
# screenshot: 1000x560 """Абсолютные и относительные показатели на одной карте — правильно. Относительный показатель (плотность) — картограммой (цветом территорий). Абсолютный показатель (численность) — пропорциональными кругами. В отечественной картографии такое сочетание называют «картограмма + картодиаграмма». """ import sys from pathlib import Path import folium import geopandas as gpd import numpy as np from branca.utilities import color_brewer sys.path.insert(0, str(Path(__file__).resolve().parents[1])) from maptools import add_html, 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"] # 1) картограмма плотности breaks = [0, 10, 30, 60, 100, 200, 2000] labels = ["< 10", "10–30", "30–60", "60–100", "100–200", "> 200"] colors = color_brewer("Greens", 6) world = world.assign(color=[colors[c] for c in np.digitize(world["pop_density"], breaks[1:-1])]) m = folium.Map(location=[30, 20], zoom_start=2, tiles="Esri.WorldGrayCanvas") folium.GeoJson( world[["name_ru", "color", "geometry"]], style_function=lambda f: {"fillColor": f["properties"]["color"], "color": "white", "weight": 0.5, "fillOpacity": 0.85}, ).add_to(m) # 2) круги: ПЛОЩАДЬ круга пропорциональна населению => радиус ~ корень из значения centers = world.to_crs("ESRI:54009").representative_point().to_crs(4326) max_pop, max_radius = world["pop_est"].max(), 40 # самый большой круг — 40 px for (_, row), pt in zip(world.iterrows(), centers): r = max_radius * np.sqrt(row["pop_est"] / max_pop) if r < 2: continue folium.CircleMarker( location=[pt.y, pt.x], radius=r, color="#3d1f50", weight=1, fill=True, fill_color="#8e5bb0", fill_opacity=0.45, tooltip=f"{row['name_ru']}: {fmt(row['pop_est'] / 1e6, 1)} млн чел.", ).add_to(m) # вложенная легенда размеров: круги стоят на общем основании, # подписи вынесены вправо на уровень верхней точки каждого круга svg = '<svg width="150" height="86">' for value, label in [(1e9, "1 млрд"), (3e8, "300 млн"), (5e7, "50 млн")]: r = max_radius * np.sqrt(value / max_pop) top = 82 - 2 * r svg += (f'<circle cx="40" cy="{82 - r}" r="{r}" fill="#8e5bb0" fill-opacity="0.15" stroke="#3d1f50"/>' f'<line x1="40" y1="{top}" x2="88" y2="{top}" stroke="#3d1f50" stroke-dasharray="2 2"/>' f'<text x="92" y="{top + 4}" font-size="11">{label}</text>') svg += "</svg>" add_html(m, f"<b>Население, чел.</b><br>{svg}", position="bottomleft") add_legend(m, "Плотность, чел./км²", colors[::-1], labels[::-1]) add_title(m, "Население мира", "цвет — плотность, круги — численность") plain_attribution(m) # убираем флажок из подписи Leaflet m.save("04_counts_as_symbols.html")

Проверь себя
Какой показатель можно сразу показывать на картограмме?
- Число школ в регионе
- Валовой сбор зерна, т
- Доля городского населения, %
- Число зарегистрированных автомобилей
Почему на картограмме численности населения выделяются Россия и Канада?
- Там высокая плотность населения
- Это большие страны, и абсолютный показатель отражает их размер
- Так работает проекция Меркатора
- Из-за ошибки в данных
Как правильно нормировать число ДТП, чтобы сравнить регионы по безопасности дорог?
- Разделить на площадь региона
- Ничего не делать
- Разделить на число школ
- Разделить на численность населения или на число автомобилей
Почему в geopandas нужно вызывать to_crs("ESRI:54009") перед .area?
- Площадь корректна только в равновеликой проекции, а в градусах она бессмысленна
- Иначе folium не нарисует карту
- Так площадь получается в милях
- Это ускоряет вычисления
Средняя заработная плата по региону — это…
- абсолютный показатель, его нужно разделить на население
- относительный показатель: фонд зарплаты уже разделён на число работников
- показатель, который нельзя картографировать
- показатель номинальной шкалы
Практическое задание
Возьмите countries.geojson и постройте две картограммы на DualMap: «ВВП, всего» и «ВВП на душу населения». Сформулируйте в двух предложениях, чем различаются выводы, которые читатель сделает по каждой карте.
- Площадь посчитана в равновеликой проекции
- На картограмме — только относительный показатель
- В легенде указаны единицы измерения
- Абсолютный показатель (если нужен) показан кругами, а не заливкой
Источники
- Standardizing Data / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/standardizing-data (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.