Картографическое отображение · конспект 10 из 23 · Географические данные

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

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.

Интерактив: Канада против Швейцарии

Данные Natural Earth (население 2019 г.; площадь посчитана по генерализованным границам масштаба 1 : 110 млн, поэтому для маленьких стран она приблизительна).

ПравилоХотите показать величину (сколько всего) — абсолютные показатели и значки. Хотите показать относительные различия — нормированные данные и картограмма.

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.

Тренажёр: нормировать или нет?

Для каждого показателя Росстата выберите ответ.

Как нормировать

  1. На площадь территориальной единицы → «x на км²» (плотность населения, густота дорог).
  2. На численность населения → «x на душу», «x на 1000 (100 000) жителей», «x в % от населения».
  3. На другую осмысленную базу: ДТП — на число автомобилей, урожай — на посевную площадь (урожайность, ц/га), выпускников — на число учеников.
Типичная ошибка в PythonПлощадь нельзя считать в градусах: у GeoJSON система координат EPSG:4326, и 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.
В отечественной традицииСочетание картограммы (относительный показатель — цветом) и картодиаграммы (абсолютный — размером значков) на одной карте — классический приём, описанный у К. А. Салищева и А. М. Берлянта. Его реализует рецепт 4.

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.

python/примеры/standardizing-data/01_calc_density.pyскачать .py
"""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())
вывод программы
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.

python/примеры/standardizing-data/02_absolute_vs_relative.pyскачать .py
# 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")
Слева — абсолютный показатель (ошибка), справа — относительный
Слева — абсолютный показатель (ошибка), справа — относительныйоткрыть карту ↗

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».

python/примеры/standardizing-data/03_two_denominators.pyскачать .py
# 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")
Один числитель (ВВП), два знаменателя — площадь и население
Один числитель (ВВП), два знаменателя — площадь и населениеоткрыть карту ↗

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.

python/примеры/standardizing-data/04_counts_as_symbols.pyскачать .py
# 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")
Картограмма плотности + пропорциональные круги численности
Картограмма плотности + пропорциональные круги численностиоткрыть карту ↗

Проверь себя

Какой показатель можно сразу показывать на картограмме?

  1. Число школ в регионе
  2. Валовой сбор зерна, т
  3. Доля городского населения, %
  4. Число зарегистрированных автомобилей
Доля в процентах уже нормирована. Остальные — абсолютные показатели: их нужно либо нормировать, либо показывать значками.

Почему на картограмме численности населения выделяются Россия и Канада?

  1. Там высокая плотность населения
  2. Это большие страны, и абсолютный показатель отражает их размер
  3. Так работает проекция Меркатора
  4. Из-за ошибки в данных
Абсолютные показатели растут вместе с размером территории. Плотность населения в России (~9 чел./км²) и Канаде (~4) — одна из самых низких в мире.

Как правильно нормировать число ДТП, чтобы сравнить регионы по безопасности дорог?

  1. Разделить на площадь региона
  2. Ничего не делать
  3. Разделить на число школ
  4. Разделить на численность населения или на число автомобилей
Риск ДТП связан с людьми и машинами, а не с площадью. Знаменатель должен быть осмысленным.

Почему в geopandas нужно вызывать to_crs("ESRI:54009") перед .area?

  1. Площадь корректна только в равновеликой проекции, а в градусах она бессмысленна
  2. Иначе folium не нарисует карту
  3. Так площадь получается в милях
  4. Это ускоряет вычисления
ESRI:54009 — проекция Мольвейде, равновеликая. В EPSG:4326 координаты в градусах, а градус долготы на разных широтах имеет разную длину.

Средняя заработная плата по региону — это…

  1. абсолютный показатель, его нужно разделить на население
  2. относительный показатель: фонд зарплаты уже разделён на число работников
  3. показатель, который нельзя картографировать
  4. показатель номинальной шкалы
Любое среднее — это отношение суммы к числу объектов, т. е. уже нормированная величина.

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

  1. Standardizing Data / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/standardizing-data (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.