Картографическое отображение · конспект 11 из 23 · Одномерные тематические карты

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

Конспект

Картограмма по штатам США
Картограмма: каждая территориальная единица (здесь — штат США) закрашена целиком, цвет зависит от значения показателя.

Три условия картограммы

  1. Данные привязаны к территориальным единицам — странам, регионам, районам.
  2. Данные нормированы — это коэффициенты или отношения: «на км²», «на 100 000 жителей», «%» (см. «Нормирование данных»). Картограмма абсолютных показателей показывает прежде всего размер территорий.
  3. 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).
ПравилоНа картограмме — только относительные показатели. Для абсолютных есть другие способы: пропорциональные значки (картодиаграмма), точечный способ, анаморфоза.
Тренажёр: подходит ли картограмма?

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.

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.

В отечественной традицииВ классификации способов картографического изображения (К. А. Салищев, А. М. Берлянт) картограмма показывает среднюю интенсивность явления в пределах единиц территориального деления — чаще всего административных; шкала у неё, как правило, ступенчатая, а в старых атласах вместо цвета применяли штриховку возрастающей густоты. Явления, не связанные с административными границами, изображают другими способами: качественные характеристики (типы почв) — способом качественного фона, непрерывные поля (температура, высоты) — изолиниями. Если же явление внутри района распределено очень неравномерно, применяют дазиметрический способ, разработанный В. П. Семёновым-Тян-Шанским: плотность населения считают не по всей площади района, а только по заселённой части, исключая леса, болота и другие незаселённые земли.

Цвет и границы

Картограмма с 5 классами
Картограмма с 5 классами: последовательная шкала от светлого к тёмному, классы — равные интервалы.

Сколько классов

Мало классов (2–3)Много классов (7 и больше)
Генерализация данныхсильная: разные территории оказываются в одном классе, могут появиться искусственные «закономерности»слабая: детали сохраняются
Чтение картылегко увидеть и запомнить («низкий — средний — высокий»)соседние цвета трудно различить и сопоставить с легендой
Печатьнадёжнаблизкие оттенки сливаются
ПравилоБезопасный выбор — 3–7 классов. Два класса уместны, когда нужно лишь показать «выше / ниже среднего» (как карты «красных» и «синих» штатов на выборах в США). Идеального числа нет — экспериментируйте.
СоветПеред выбором числа классов постройте гистограмму. Видны явные скопления значений и разрывы между ними? Возьмите столько классов, сколько скоплений, и проведите границы по разрывам.

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».

Гистограмма и четыре метода классификации
Цены гостиничных номеров в Чикаго (50–800 долл.): гистограмма и разбиение на 3 класса четырьмя методами — равные интервалы, квантили, естественные границы и ручной выбор. «Провалы» гистограммы подсказывают естественные места для границ.
МетодКак строитсяКогда хорошЧем опасен
Равные интервалы
equal interval
диапазон делится на классы одинаковой ширины: 0–10, 10–20, 20–30…значения равномерно распределены по всему диапазонупри 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 территорииширина 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 нимив данных есть скопления и разрывыу каждого набора данных свои границы — серию карт (1980, 1990, 2000 гг.) так сравнивать нельзя
Ручной выбор
manual
границы задаёт картографесть важные пороги (среднее, норматив), нужна единая шкала для серии карт, нужно чуть поправить автоматические границысубъективность: границы легко подобрать «под нужный вывод»
Типичная ошибкаРавные интервалы для показателя с выбросами. Плотность населения стран — от 0 до 1200 чел./км², но у большинства стран она меньше 150: при 5 равных интервалах (по 240) почти весь мир окажется в первом классе. Проверьте это в интерактиве ниже.
Интерактив: картограмма мира своими руками

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.

Непрерывная цветовая шкала
Непрерывная шкала: каждое значение (точки внизу) получает свой оттенок от «низкого» (low) к «высокому» (high).
Безработица по округам США, непрерывная шкала
Безработица по округам США: общая закономерность видна сразу, но расположить округа Калифорнии по возрастанию почти невозможно.

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.
СоветГлавный недостаток непрерывной шкалы на веб-карте компенсируется всплывающей подсказкой с точным значением — так сделано в рецепте 3.

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.

python/примеры/choropleth/01_folium_choropleth.pyскачать .py
# 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}")
вывод программы
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
folium.Choropleth: классы правильные, но подписи легенды слиплись
folium.Choropleth: классы правильные, но подписи легенды слиплисьоткрыть карту ↗

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.

python/примеры/choropleth/02_classed_geojson.pyскачать .py
# 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}")
вывод программы
Класс, чел./км²   Число стран
      менее 10      18
         10–25      28
         25–50      24
        50–100      46
       100–250      39
     более 250      21
Та же карта: дискретная легенда, подсказка и подсветка при наведении
Та же карта: дискретная легенда, подсказка и подсветка при наведенииоткрыть карту ↗

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.

python/примеры/choropleth/03_unclassed.pyскачать .py
# 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")
вывод программы
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
Непрерывная шкала: у каждой страны свой оттенок
Непрерывная шкала: у каждой страны свой оттенокоткрыть карту ↗

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.

python/примеры/choropleth/04_classes_3_vs_7.pyскачать .py
# 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}")
вывод программы
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
Слева 3 класса, справа 7 — одни и те же данные
Слева 3 класса, справа 7 — одни и те же данныеоткрыть карту ↗

Проверь себя

Какой набор данных можно сразу показать картограммой?

  1. Численность населения регионов, чел.
  2. Число больниц в каждом районе
  3. Доля населения старше 65 лет по регионам, %
  4. Эпицентры землетрясений и их магнитуда
Доля в процентах — нормированный показатель по территориальным единицам. Численность и число больниц — абсолютные показатели (значки, картодиаграмма), землетрясения — точечные объекты.

Почти у всех стран значения от 0 до 300, а у одной — 1200. Что будет при 5 классах методом равных интервалов?

  1. Во всех классах окажется поровну стран
  2. Почти все страны попадут в один-два нижних класса, верхние классы будут почти или совсем пустыми
  3. Метод сам найдёт разрывы в данных
  4. Ничего особенного: метод подходит для любых данных
Ширина каждого класса — 240. Один выброс растягивает диапазон, и «хорошие» классы тратятся впустую. Для таких данных лучше квантили, естественные или ручные границы.

Что гарантирует метод квантилей?

  1. Одинаковую ширину всех классов
  2. Минимальный разброс значений внутри классов
  3. Что близкие значения всегда попадут в один класс
  4. Одинаковое число территорий в каждом классе
Квантили делят территории поровну. Цена — классы разной ширины и риск разнести близкие значения по разным классам.

Вы делаете серию карт за 2000, 2010 и 2020 гг. Как задать классы?

  1. Единые (заданные вручную) границы классов для всех карт
  2. Естественные границы отдельно для каждого года
  3. Квантили для каждого года
  4. Разное число классов для разных лет
Чтобы один цвет на любой карте серии означал одни и те же числа, классы должны быть общими. Естественные границы и квантили дают для каждого года свои значения.

Главный недостаток картограммы с непрерывной шкалой:

  1. не видна общая географическая закономерность
  2. трудно сопоставить цвет с легендой и «снять» значение с карты
  3. она требует абсолютных показателей
  4. для неё нужно не меньше 9 классов
Общая картина как раз видна хорошо. Но сотни близких оттенков не различить — поэтому на печатной карте лучше классы, а на веб-карте помогает подсказка.

Почему картограмма заболеваемости гриппом по районам может вводить в заблуждение?

  1. Для гриппа нельзя рассчитать относительный показатель
  2. Не хватит цветов палитры
  3. Эпидемия не меняется скачком на административных границах, а картограмма рисует её однородной внутри района
  4. Картограммы строят только по странам
Чем слабее явление связано с территориальными единицами, тем меньше смысла в картограмме. Возможные альтернативы — точечный способ или изолинии.

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

  1. Choropleth Maps / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/choropleth (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.