Картограммы
- О чём эта тема
- Самый популярный вид тематических карт: территориальные единицы закрашены по значению относительного показателя. Когда картограмма уместна, сколько взять классов, как провести их границы и чем хороша (и плоха) непрерывная шкала.
- Коротко о главном
- Картограмма — карта, на которой каждая территориальная единица целиком закрашена цветом, соответствующим значению показателя. Это не анаморфоза (англ. cartogram)!
- Три условия: данные собраны по территориальным единицам, они нормированы (плотность, %, на душу населения) и описывают явление, которое можно мыслить непрерывным. Абсолютные показатели на картограмме недопустимы.
- Обычно берут 3–7 классов. Больше классов — меньше генерализация, но цвета труднее различать.
- Метод классификации выбирают по гистограмме: равные интервалы, квантили, естественные границы или ручной выбор границ. Единственно верного метода нет.
- Последовательная цветовая шкала: от светлого к тёмному, больше — темнее. На вид карты сильно влияют и цвет границ, и окружающие цвета.
- Непрерывная шкала (без классов) честно показывает общие закономерности, но снять с неё число почти невозможно — разве что на интерактивной карте с подсказками.
- Время
- 25 минут + практика
Ключевые термины
- Способ изображения средней интенсивности явления в пределах территориальных единиц: каждая единица закрашивается цветом (или штриховкой) по значению относительного показателя. Не путать с анаморфозой (cartogram)!
- Единица, по которой собраны данные: страна, субъект РФ, муниципальный район, переписной участок.
- Представление явления как «рельефа» значений, которые в принципе можно измерить в любой точке. Плотность населения — поверхность (ноль — тоже значение), численность населения — нет.
- Класс (градация, ступень шкалы) — интервал значений, обозначенный одним цветом. Границы классов — значения, которые разделяют соседние классы.
- Значения разбиты на несколько классов, у каждого класса свой цвет. Самый распространённый вариант картограммы.
- Без классификации: каждое значение получает свой оттенок пропорционально положению на цветовой шкале. Предложена У. Тоблером в 1970-х.
- Ряд цветов, упорядоченных по светлоте: от светлого (мало) к тёмному (много). Основная шкала для картограмм.
- Обобщение при объединении разных значений в один класс. Чем меньше классов, тем сильнее генерализация и тем больше деталей теряется.
- График распределения: по горизонтали — значения показателя, по вертикали — число территорий в каждом интервале. Главный инструмент выбора числа классов и их границ.
Конспект

Три условия картограммы
- Данные привязаны к территориальным единицам — странам, регионам, районам.
- Данные нормированы — это коэффициенты или отношения: «на км²», «на 100 000 жителей», «%» (см. «Нормирование данных»). Картограмма абсолютных показателей показывает прежде всего размер территорий.
- Явление образует непрерывную статистическую поверхность: его можно измерить в любой точке. Плотность населения есть везде (над пустыней она равна нулю, но это тоже значение), а «число жителей» в точке не определено.
Подходит для картограммы
- ставка подоходного налога по странам, %;
- число рождений на 100 000 жителей по округам;
- изменение заболеваемости за 20 лет, %;
- доля населения моложе 18 лет, %;
- плотность населения, чел./км².
Не подходит
- численность населения, чел.;
- число больниц, школ, ДТП;
- валовой сбор зерна, т;
- типы почв (качественные данные);
- температура по метеостанциям (данные в точках).
Для каждого набора данных выберите ответ.
Популярна, но часто не к месту
Картограммы — вероятно, самый распространённый вид тематических карт: статистику собирают по территориальным единицам, и мы привыкли видеть мир разделённым на страны и районы. Читатели умеют их читать — это плюс. Но картограммой злоупотребляют, когда явление не связано с границами единиц.
- Ставки налогов устанавливаются для территории и действительно меняются скачком на границе — идеальный случай для картограммы.
- Инфекционные болезни, типы почв, возрастной состав границ «не замечают». Картограмма же нарисует их однородными внутри района и резко меняющимися на границе — такой картины в природе нет.
Чем слабее явление связано с территориальными единицами, тем меньше смысла в картограмме. Альтернативы — точечный способ, пропорциональные значки и анаморфозы; к тому же все три подходят и для абсолютных показателей.
Цвет и границы

- Для упорядоченных данных — последовательная шкала: большие значения темнее и интенсивнее (подробнее — «Цвет на картах», палитры — на ColorBrewer).
- Восприятие цвета зависит от соседних цветов — синей воды, чёрных подписей (это одновременный контраст).
- Цвет границ сильно меняет облик карты. Тонкие белые или светло-серые границы — хорошее начало. Без границ карта спокойнее, но читателю труднее находить на ней места.
Сколько классов
| Мало классов (2–3) | Много классов (7 и больше) | |
|---|---|---|
| Генерализация данных | сильная: разные территории оказываются в одном классе, могут появиться искусственные «закономерности» | слабая: детали сохраняются |
| Чтение карты | легко увидеть и запомнить («низкий — средний — высокий») | соседние цвета трудно различить и сопоставить с легендой |
| Печать | надёжна | близкие оттенки сливаются |
Как провести границы классов
Цель классификации — объединить в один класс территории с близкими значениями и развести по разным классам территории с сильно различающимися значениями. Подробно методы разобраны в конспекте «Классификация данных».

| Метод | Как строится | Когда хорош | Чем опасен |
|---|---|---|---|
| Равные интервалы equal interval | диапазон делится на классы одинаковой ширины: 0–10, 10–20, 20–30… | значения равномерно распределены по всему диапазону | при скошенном распределении и выбросах — почти все территории в одном классе, остальные классы пусты |
| Квантили quantiles | в каждом классе одинаковое число территорий (30 округов, 6 классов → по 5) | нужна «ровная», привлекательная карта, важен ранг территории | ширина классов может отличаться в десятки раз (1–4, 4–9, 9–250); близкие значения попадают в разные классы |
| Естественные границы natural breaks (Jenks) | алгоритм минимизирует разброс внутри классов и максимизирует различия между ними | в данных есть скопления и разрывы | у каждого набора данных свои границы — серию карт (1980, 1990, 2000 гг.) так сравнивать нельзя |
| Ручной выбор manual | границы задаёт картограф | есть важные пороги (среднее, норматив), нужна единая шкала для серии карт, нужно чуть поправить автоматические границы | субъективность: границы легко подобрать «под нужный вывод» |
Наведите курсор на страну — увидите значение; на строку легенды — подсветятся страны этого класса. Под картой — гистограмма: столбики окрашены цветами классов, пунктир — границы классов. Здесь только относительные показатели: абсолютным на картограмме не место. Данные Natural Earth; проекция Equal Earth (равновеликая).
Картограмма с непрерывной шкалой
Её предложил Уолдо Тоблер в начале 1970-х. Классов нет: значения упорядочиваются и располагаются вдоль непрерывной цветовой шкалы пропорционально — большой разрыв между значениями даёт и большой скачок в цвете.


Достоинства
- не нужно решать «трудную задачу» классификации, которая почти всегда несовершенна;
- нет фильтра, которым легко злоупотребить: «данные говорят сами за себя»;
- видны даже тонкие различия и общие географические закономерности.
Недостатки
- данные «говорят слишком много»: шум и незначимые колебания не подавлены;
- сотни похожих оттенков трудно сопоставить с легендой — значение не снять («Бельгия чуть темнее или светлее Сирии?»);
- плохо печатается, а из-за одновременного контраста один и тот же цвет выглядит по-разному в разном окружении.
Что выбрать
| Ступенчатая шкала (классы) | Непрерывная шкала |
|---|---|
| Нужно и показать общую картину, и дать читателю «снять» значение с карты. | Нужен менее отфильтрованный взгляд на данные; хорошую классификацию подобрать не удаётся; цель — общая географическая закономерность. |
| Печатная и статичная карта. | Интерактивная карта: точное значение можно узнать щелчком или наведением курсора. |
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). Рецепты 1 и 2 строят одну и ту же карту двумя способами — «из коробки» и вручную. Как установить библиотеки — см. раздел Python.
Рецепт 1 Картограмма «из коробки»: folium.Choropleth
Одна функция связывает таблицу с границами по ключу iso_a3, раскрашивает страны и рисует легенду. Но легенда — это полоса, растянутая линейно от 0 до 1250: классы 0–10, 10–25, 25–50 занимают несколько пикселей, их подписи наезжают друг на друга (а разряды разделены запятой на английский манер). При неравных интервалах такая легенда не годится.
# screenshot: 1000x560 """Картограмма «из коробки»: folium.Choropleth. Одна функция делает всё: связывает таблицу с границами по ключу, раскрашивает страны по классам и рисует легенду. Но у встроенной легенды есть известная беда: это ЛИНЕЙНАЯ полоса от минимума до максимума, поэтому при неравных интервалах подписи узких классов слипаются в кучу. """ import sys from pathlib import Path import folium import geopandas as gpd import pandas as pd sys.path.insert(0, str(Path(__file__).resolve().parents[1])) from maptools import 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 # Неравные интервалы с «круглыми» границами — удобны для чтения bins = [0, 10, 25, 50, 100, 250, 1250] m = folium.Map(location=[30, 15], zoom_start=2, tiles="Esri.WorldGrayCanvas") ch = folium.Choropleth( geo_data=world, # геометрия стран data=world, # таблица со значениями columns=["iso_a3", "pop_density"], # [ключ, показатель] key_on="feature.properties.iso_a3", # где искать ключ в GeoJSON bins=bins, fill_color="YlOrRd", # последовательная шкала ColorBrewer fill_opacity=0.85, line_color="white", line_weight=0.5, # тонкие белые границы nan_fill_color="#cccccc", legend_name="Плотность населения, чел./км²", highlight=True, # подсветка при наведении ).add_to(m) # Подсказка при наведении: название и значение folium.GeoJsonTooltip(["name_ru", "pop_density"], aliases=["Страна:", "Чел./км²:"]).add_to(ch.geojson) add_title(m, "folium.Choropleth «из коробки»", "посмотрите на легенду: подписи 0, 10, 25, 50, 100 слиплись", position="bottomleft") plain_attribution(m) # убираем флажок из подписи Leaflet m.save("01_folium_choropleth.html") # Сколько стран попало в каждый класс counts = pd.cut(world["pop_density"], bins, include_lowest=True).value_counts(sort=False) print("Класс, чел./км² Стран") for interval, n in counts.items(): print(f"{str(interval):17s} {n:4d}")
Класс, чел./км² Стран (-0.001, 10.0] 18 (10.0, 25.0] 28 (25.0, 50.0] 24 (50.0, 100.0] 46 (100.0, 250.0] 39 (250.0, 1250.0] 21

Рецепт 2 Картограмма вручную: GeoJson + style_function
Номер класса считаем через np.digitize, цвет кладём в свойства объекта, а style_function его читает. Легенда add_legend — по квадратику на класс, подписи не слипаются. GeoJsonTooltip показывает точное значение, highlight_function подсвечивает страну под курсором.
# screenshot: 1000x560 """Картограмма «вручную»: GeoJson + style_function + своя легенда. Те же данные и те же классы, что в рецепте 1, но: * цвет каждой страны вычисляем сами: номер класса → цвет; * легенда дискретная — по квадратику на класс, подписи не слипаются; * всплывающая подсказка (GeoJsonTooltip) и подсветка при наведении. """ 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_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"].copy() breaks = [0, 10, 25, 50, 100, 250, 1250] # границы классов colors = color_brewer("YlOrRd", len(breaks) - 1) # 6 цветов: от светлого к тёмному labels = [f"{fmt(a)}–{fmt(b)}" for a, b in zip(breaks[:-1], breaks[1:])] labels[0], labels[-1] = f"менее {breaks[1]}", f"более {breaks[-2]}" # Номер класса (0…5) и цвет для каждой страны world["cls"] = np.digitize(world["pop_density"], breaks[1:-1]) world["color"] = [colors[c] for c in world["cls"]] world["value"] = [f"{fmt(v, 1)} чел./км²" for v in world["pop_density"]] m = folium.Map(location=[30, 15], zoom_start=2, tiles="Esri.WorldGrayCanvas") folium.GeoJson( world[["name_ru", "value", "color", "geometry"]], style_function=lambda f: { "fillColor": f["properties"]["color"], "fillOpacity": 0.85, "color": "white", "weight": 0.6, }, highlight_function=lambda f: {"color": "#333", "weight": 2.5}, # контур при наведении tooltip=folium.GeoJsonTooltip(["name_ru", "value"], aliases=["Страна:", "Плотность:"]), ).add_to(m) # Легенда: сверху — самый тёмный класс (наибольшие значения) add_legend(m, "Плотность населения,<br>чел./км²", colors[::-1], labels[::-1]) add_title(m, "Плотность населения мира", "6 классов, границы заданы вручную", position="bottomleft") plain_attribution(m) m.save("02_classed_geojson.html") print("Класс, чел./км² Число стран") for c, lab in enumerate(labels): print(f"{lab:>14s} {(world['cls'] == c).sum():5d}")
Класс, чел./км² Число стран
менее 10 18
10–25 28
25–50 24
50–100 46
100–250 39
более 250 21
Рецепт 3 Картограмма с непрерывной шкалой: LinearColormap
branca.colormap.LinearColormap превращает число в цвет, плавно смешивая цвета палитры. Обратите внимание на вывод: половина стран занимает лишь первые 5 % шкалы — при скошенном распределении непрерывная шкала «топит» различия между бедными странами. Подсказка с точным значением возмещает главный недостаток такой карты.
# screenshot: 1000x560 """Картограмма с непрерывной шкалой (без классов): branca LinearColormap. Каждое значение получает свой оттенок — пропорционально своему месту на цветовой шкале. Слабое место такой карты: по цвету трудно «снять» число. На веб-карте его компенсирует подсказка: наведите курсор на страну. """ import sys from pathlib import Path import folium import geopandas as gpd from branca.colormap import LinearColormap from branca.utilities import color_brewer sys.path.insert(0, str(Path(__file__).resolve().parents[1])) from maptools import 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_k"] = world["gdp_per_capita"] / 1000 # тыс. долл. на человека # Непрерывная шкала от 0 до максимума данных: 9 цветов ColorBrewer # «склеиваются» в плавный переход cmap = LinearColormap( color_brewer("YlGnBu", 9), vmin=0, vmax=world["gdp_k"].max(), caption="ВВП на душу населения, тыс. долл. США", tick_labels=[0, 20, 40, 60, 80, 100], ) world["color"] = world["gdp_k"].map(cmap) # число → цвет '#rrggbb' world["value"] = [f"{fmt(v)} долл." for v in world["gdp_per_capita"]] m = folium.Map(location=[30, 15], zoom_start=2, tiles="Esri.WorldGrayCanvas") folium.GeoJson( world[["name_ru", "value", "color", "geometry"]], style_function=lambda f: {"fillColor": f["properties"]["color"], "fillOpacity": 0.9, "color": "white", "weight": 0.5}, highlight_function=lambda f: {"color": "#333", "weight": 2.5}, tooltip=folium.GeoJsonTooltip(["name_ru", "value"], aliases=["Страна:", "ВВП на душу:"]), ).add_to(m) cmap.add_to(m) # легенда — градиентная полоса add_title(m, "ВВП на душу населения", "непрерывная шкала: у каждой страны свой оттенок", position="bottomleft") plain_attribution(m) m.save("03_unclassed.html") top = world.nlargest(3, "gdp_per_capita")[["name_ru", "gdp_per_capita"]] print("Самые тёмные:", ", ".join(f"{n} ({fmt(v)} долл.)" for n, v in top.values)) share = world["gdp_k"].median() / world["gdp_k"].max() print(f"Медиана — {fmt(world['gdp_per_capita'].median())} долл.: половина стран " f"занимает лишь первые {share:.0%} цветовой шкалы")
Самые тёмные: Люксембург (114 703 долл.), Швейцария (81 994 долл.), Ирландия (78 661 долл.) Медиана — 5 529 долл.: половина стран занимает лишь первые 5% цветовой шкалы

Рецепт 4 Сколько классов: 3 против 7
Естественные границы (mapclassify.FisherJenks) для трёх и семи классов на синхронных картах DualMap. Показатель GADF в выводе растёт с числом классов — генерализация уменьшается, но после 7 классов прирост почти прекращается, а цвета различать всё труднее.
# screenshot: 1100x520 """Сколько классов? Одни и те же данные: 3 класса (слева) и 7 классов (справа). Классы строим методом естественных границ (Fisher–Jenks, библиотека mapclassify). Чем больше классов, тем меньше генерализация данных, но тем труднее различать цвета. Показатель GADF (от 0 до 1) говорит, насколько хорошо классы описывают данные: чем ближе к 1, тем меньше потеряно при объединении. """ 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() y = world["gdp_per_capita"] def add_classed(target, k): jenks = mapclassify.FisherJenks(y, k=k) colors = color_brewer("PuBu", k) gdf = world.assign(color=[colors[c] for c in jenks.yb]) # yb — номер класса folium.GeoJson( gdf[["name_ru", "gdp_per_capita", "color", "geometry"]], style_function=lambda f: {"fillColor": f["properties"]["color"], "fillOpacity": 0.9, "color": "white", "weight": 0.5}, tooltip=folium.GeoJsonTooltip(["name_ru", "gdp_per_capita"], aliases=["Страна:", "Долл./чел.:"]), ).add_to(target) lows = [y.min()] + list(jenks.bins[:-1]) labels = [f"{fmt(lo)} – {fmt(hi)}" for lo, hi in zip(lows, jenks.bins)] add_legend(target, "ВВП на душу, долл.", colors[::-1], labels[::-1]) add_title(target, f"{k} класса" if k < 5 else f"{k} классов", "естественные границы (Fisher–Jenks)") m = DualMap(location=[25, 15], zoom_start=1, tiles="Esri.WorldGrayCanvas") add_classed(m.m1, 3) add_classed(m.m2, 7) plain_attribution(m) m.save("04_classes_3_vs_7.html") print("Классов GADF") for k in range(2, 10): print(f"{k:5d} {mapclassify.FisherJenks(y, k=k).get_gadf():.2f}")
Классов GADF
2 0.51
3 0.59
4 0.69
5 0.73
6 0.77
7 0.84
8 0.85
9 0.86
Проверь себя
Какой набор данных можно сразу показать картограммой?
- Численность населения регионов, чел.
- Число больниц в каждом районе
- Доля населения старше 65 лет по регионам, %
- Эпицентры землетрясений и их магнитуда
Почти у всех стран значения от 0 до 300, а у одной — 1200. Что будет при 5 классах методом равных интервалов?
- Во всех классах окажется поровну стран
- Почти все страны попадут в один-два нижних класса, верхние классы будут почти или совсем пустыми
- Метод сам найдёт разрывы в данных
- Ничего особенного: метод подходит для любых данных
Что гарантирует метод квантилей?
- Одинаковую ширину всех классов
- Минимальный разброс значений внутри классов
- Что близкие значения всегда попадут в один класс
- Одинаковое число территорий в каждом классе
Вы делаете серию карт за 2000, 2010 и 2020 гг. Как задать классы?
- Единые (заданные вручную) границы классов для всех карт
- Естественные границы отдельно для каждого года
- Квантили для каждого года
- Разное число классов для разных лет
Главный недостаток картограммы с непрерывной шкалой:
- не видна общая географическая закономерность
- трудно сопоставить цвет с легендой и «снять» значение с карты
- она требует абсолютных показателей
- для неё нужно не меньше 9 классов
Почему картограмма заболеваемости гриппом по районам может вводить в заблуждение?
- Для гриппа нельзя рассчитать относительный показатель
- Не хватит цветов палитры
- Эпидемия не меняется скачком на административных границах, а картограмма рисует её однородной внутри района
- Картограммы строят только по странам
Практическое задание
Постройте картограмму ВВП на 1 км² площади (gdp_md * 1e6 / area_km2) по странам мира. Сначала посмотрите на гистограмму (world["показатель"].hist(bins=40) или mapclassify.FisherJenks(y, k=5).plot_histogram()), затем постройте две карты на DualMap — с равными интервалами и с методом, который вы считаете лучшим. В двух-трёх предложениях обоснуйте выбор числа классов и метода.
- На карте только относительный показатель, единицы измерения указаны
- Последовательная шкала: чем больше значение, тем темнее цвет
- 3–7 классов, выбор обоснован по гистограмме
- Дискретная легенда без слипшихся подписей
- Всплывающая подсказка с названием страны и точным значением
- Страны без данных закрашены отдельным цветом и отмечены в легенде
Источники
- Choropleth Maps / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/choropleth (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.