Одномерные и многомерные карты
- О чём эта тема
- Показать на карте одну тему или совместить две в одном знаке? Разбираемся, когда многомерная карта рассказывает больше, а когда только мешает, и какие данные вообще можно совмещать.
- Коротко о главном
- Одномерная карта показывает один тематический атрибут; многомерная объединяет два и более в комбинированном условном знаке (цвет + цвет, цвет + размер, площадь + цвет…).
- Многомерная карта позволяет напрямую сравнивать темы и увидеть связи между ними, экономит место. Но её труднее оформить и прочитать: читатель снова и снова возвращается к легенде.
- Чем шире аудитория и чем меньше у неё времени, тем проще должна быть карта. Одномерная карта доносит мысль быстрее.
- Три правила: подходящие типы данных; показатели должны быть логически связаны (иначе вы покажете ложную корреляцию); не картографировать служебные атрибуты — коды, ID, площадь.
- Альтернатива многомерной карте — серия одномерных карт или веб-карта с переключением слоёв.
- Время
- 15 минут + практика
Ключевые термины
- Данные, относящиеся к конкретным местам: ожидаемая продолжительность жизни, уровень преступности, цены на жильё, категории землепользования.
- Однопоказательная карта: показывает один тематический атрибут (например, доход на душу населения).
- Многопоказательная карта: объединяет два и более атрибута в одном слое с помощью более сложных условных знаков.
- Многомерная карта ровно двух показателей. Пример — двумерная картограмма.
- Знак, который несёт сразу несколько значений: например, круг, у которого размер передаёт население, а цвет — ВВП на душу.
- Кажущаяся связь между показателями, которые в действительности не связаны (образование и цена арбузов). Совпадение узоров на карте — случайность.
- Атрибуты, нужные базе данных или программе ГИС, а не читателю: коды (ISO, ОКАТО, FIPS), ID, площадь и длина. Площадь используют для нормирования.
- Несколько одинаковых по размеру и оформлению одномерных карт рядом: каждая — про одну тему, сравнивать их легко.
Конспект
Одна тема или несколько?
Если в данных одна тема, вопрос не стоит — карта будет одномерной. Если тем несколько, можно выбрать: показать одну или совместить две в одном комбинированном знаке. Многомерная карта не обязательно лучше одномерной.
| Одномерная карта | Многомерная карта | |
|---|---|---|
| Атрибутов в одном слое | один | два и более |
| Скорость чтения | быстро доносит мысль | требует времени, частых взглядов на легенду |
| Аудитория | широкая, «на бегу» | заинтересованная, готовая вчитываться |
| Сравнение тем | только между разными картами | прямо в каждой точке карты — видны связи |
| Место | нужна серия карт | одна карта вместо нескольких |
| Оформление | проще | сложнее: знаки и цвета соперничают за место |


Как совмещают два показателя
Каждый тип многомерной карты сочетает две графические переменные:
| Тип карты | Показатель 1 | Показатель 2 |
|---|---|---|
| Двумерная картограмма | цвет (светлота/тон) | цвет (светлота/тон) — двумерная шкала |
| Двумерные пропорциональные значки | размер значка | цвет значка (допускается и номинальный показатель) |
| Двумерная анаморфоза | площадь единицы | цвет заливки |
| «Значение по прозрачности» | цвет | прозрачность |
| Картограмма + картодиаграмма | цвет заливки (относительный) | размер значков (абсолютный) |

Одни и те же данные — ВВП на душу населения и численность населения — тремя способами. Попробуйте в каждом режиме ответить на вопрос: какие страны с населением больше 100 млн человек относятся к двум самым бедным классам?
ВВП на душу — 5 классов (квантили), население — круги, площадь которых пропорциональна значению. Проекция Equal Earth. Наведите курсор на страну, чтобы увидеть значения.
Три правила хорошей многомерной карты
- Подходящие типы данных. Двумерной картограмме нужны порядковые или количественные данные; двумерные пропорциональные значки допускают номинальный атрибут (например, цветовой тон — часть света). Подробнее — в конспекте «Шкалы измерения».
- Данные действительно связаны. Нужно уметь объяснить, почему показатели влияют друг на друга. Доход и образование связаны в реальном мире; образование и цена арбузов — нет, и любой общий «узор» на карте будет случайностью.
- Не картографировать служебные атрибуты. Коды (ISO, ОКАТО, FIPS), ID — это идентификаторы для программы. Площадь (AREA) и длина (LENGTH) сами по себе редко интересны — они нужны для нормирования.
Для каждой пары выберите ответ.
Если многомерная карта не нужна
- Серия малых карт (small multiples): несколько одномерных карт одного размера и в одной проекции рядом — рецепт 2.
- Переключение слоёв на веб-карте: читатель сам выбирает тему, но видит её одну — рецепт 3.
- Интерактивное связанное выделение (brushing & linking): наведение на страну на одной карте подсвечивает её на другой.
Делаем на Python (folium)
Данные — python/data/countries.geojson. Начинаем с проверки, что вообще стоит совмещать, затем строим одномерные альтернативы (серию карт и переключаемые слои) и настоящую многомерную карту с комбинированным знаком.
Рецепт 1 Проверяем атрибуты: служебные и связанные
Строковый столбец, у которого у каждой страны своё значение, — почти наверняка идентификатор. Связь показателей оцениваем ранговой корреляцией Спирмена (corr(method="spearman")): она устойчива к выбросам и подходит для порядковых данных. Корреляция не доказывает причинную связь — её всё равно нужно уметь объяснить.
"""Прежде чем совмещать показатели на одной карте — проверяем их. 1) Какие атрибуты служебные (идентификаторы, годы, площадь) и картографировать их не нужно. 2) Связаны ли показатели между собой: ранговая корреляция Спирмена (от −1 до 1). «Цена арбузов» — СЛУЧАЙНЫЕ условные числа (seed зафиксирован): пример показателя, который ни с чем осмысленно не связан. """ from pathlib import Path import geopandas as gpd import numpy as np import pandas as pd 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() # 1. Служебные атрибуты print("Служебные атрибуты — НЕ картографируем:") for col in world.columns.drop("geometry"): if pd.api.types.is_string_dtype(world[col]) and world[col].is_unique: print(f" {col:<10} — идентификатор (у каждой страны своё значение)") elif col.endswith("_year"): print(f" {col:<10} — год, к которому относятся данные") print(" area_km2 — площадь: нужна для нормирования, а не для карты") # 2. Связь между показателями world["income"] = 6 - world["income_grp"].str[0].astype(int) # 1 — низкий … 5 — высокий доход rng = np.random.default_rng(1) world["melon"] = rng.uniform(20, 80, len(world)) # условная «цена арбузов», руб./кг names = {"gdp_per_capita": "ВВП/душу", "income": "Гр. дохода", "pop_density": "Плотность", "pop_est": "Население", "area_km2": "Площадь", "melon": "Арбузы*"} corr = world[list(names)].corr(method="spearman").rename(index=names, columns=names) print("\nКорреляция Спирмена (* — условные случайные данные):") print(corr.round(2).to_string()) pairs = [("gdp_per_capita", "income", "почти одно и то же: группу дохода назначают по доходу"), ("pop_est", "area_km2", "тривиально: в больших странах больше жителей"), ("gdp_per_capita", "melon", "связи нет: любой «узор» на карте будет случайным")] print("\nВыводы:") for a, b, verdict in pairs: print(f" {names[a]} × {names[b]}: {corr.loc[names[a], names[b]]:+.2f} — {verdict}")
Служебные атрибуты — НЕ картографируем:
iso_a3 — идентификатор (у каждой страны своё значение)
name — идентификатор (у каждой страны своё значение)
name_ru — идентификатор (у каждой страны своё значение)
pop_year — год, к которому относятся данные
gdp_year — год, к которому относятся данные
area_km2 — площадь: нужна для нормирования, а не для карты
Корреляция Спирмена (* — условные случайные данные):
ВВП/душу Гр. дохода Плотность Население Площадь Арбузы*
ВВП/душу 1.00 0.94 0.05 -0.16 -0.16 -0.07
Гр. дохода 0.94 1.00 0.06 -0.11 -0.12 0.00
Плотность 0.05 0.06 1.00 0.26 -0.44 -0.05
Население -0.16 -0.11 0.26 1.00 0.69 0.04
Площадь -0.16 -0.12 -0.44 0.69 1.00 0.06
Арбузы* -0.07 0.00 -0.05 0.04 0.06 1.00
Выводы:
ВВП/душу × Гр. дохода: +0.94 — почти одно и то же: группу дохода назначают по доходу
Население × Площадь: +0.69 — тривиально: в больших странах больше жителей
ВВП/душу × Арбузы*: -0.07 — связи нет: любой «узор» на карте будет случайнымРецепт 2 Серия малых карт вместо одной многомерной
plt.subplots(2, 2) даёт четыре карты одного размера. Относительные показатели — картограммой, абсолютный (население) — кругами: параметр s в scatter — это площадь значка, поэтому он прямо пропорционален значению. И снова ловушка int32: сначала делим, потом умножаем.
"""Серия малых карт (small multiples): четыре одномерные карты вместо одной многомерной. Каждая карта показывает ОДИН показатель, все карты одного размера и в одной проекции (равновеликая Equal Earth), поэтому их легко сравнивать «глазами». Относительные показатели — картограммой, абсолютный (население) — кругами. """ from pathlib import Path import geopandas as gpd import mapclassify import matplotlib.pyplot as plt import numpy as np from matplotlib.patches import Patch DATA = Path(__file__).resolve().parents[2] / "data" world = gpd.read_file(DATA / "countries.geojson") world = world[world["iso_a3"] != "ATA"].to_crs("EPSG:8857") world["income"] = 6 - world["income_grp"].str[0].astype(int) # 1 — низкий … 5 — высокий def choropleth(ax, column, title, colors, labels, classes): """Картограмма: заливка по номеру класса; страны без данных — серые.""" world.plot(ax=ax, color="#dddddd", edgecolor="white", linewidth=0.2) has = world[column].notna() world[has].plot(ax=ax, color=[colors[c] for c in classes], edgecolor="white", linewidth=0.2) ax.legend(handles=[Patch(color=c, label=l) for c, l in zip(colors, labels)], loc="lower left", fontsize=7, frameon=False) ax.set_title(title, fontsize=12) fig, axes = plt.subplots(2, 2, figsize=(14, 7.6)) for ax in axes.flat: ax.set_axis_off() q = mapclassify.Quantiles(world["pop_density"], k=5) choropleth(axes[0, 0], "pop_density", "Плотность населения, чел./км²", ["#fef0d9", "#fdcc8a", "#fc8d59", "#e34a33", "#b30000"], [f"до {b:,.0f}".replace(",", " ") for b in q.bins], q.yb) gdp = world["gdp_per_capita"].dropna() q = mapclassify.Quantiles(gdp, k=5) choropleth(axes[0, 1], "gdp_per_capita", "ВВП на душу населения, долл.", ["#f1eef6", "#bdc9e1", "#74a9cf", "#2b8cbe", "#045a8d"], [f"до {b:,.0f}".replace(",", " ") for b in q.bins], q.yb) choropleth(axes[1, 0], "income", "Группа стран по доходу (порядковая шкала)", ["#edf8e9", "#bae4b3", "#74c476", "#31a354", "#006d2c"], ["низкий", "ниже среднего", "выше среднего", "высокий (вне ОЭСР)", "высокий (ОЭСР)"], world["income"] - 1) ax = axes[1, 1] # абсолютный показатель — кругами, площадь круга ∝ населению world.plot(ax=ax, color="#eeeeee", edgecolor="white", linewidth=0.2) pts = world.geometry.representative_point() size = world["pop_est"] / world["pop_est"].max() * 900 # s — ПЛОЩАДЬ значка; делим первым: int32! ax.scatter(pts.x, pts.y, s=size, color="#8e5bb0", alpha=0.55, edgecolor="#3d1f50", linewidth=0.4) for v, lab in [(1e9, "1 млрд"), (2e8, "200 млн"), (5e7, "50 млн")]: ax.scatter([], [], s=900 * v / world["pop_est"].max(), color="#8e5bb0", alpha=0.55, label=lab) ax.legend(loc="lower left", fontsize=7, frameon=False, labelspacing=1.4) ax.set_title("Население, чел.", fontsize=12) fig.suptitle("Четыре одномерные карты: каждая — про одно", fontsize=15) plt.savefig("02_small_multiples.png", dpi=110, bbox_inches="tight")

Рецепт 3 Одна тема за раз: переключение слоёв
Слои FeatureGroup(overlay=False) попадают в LayerControl как радиокнопки — видна ровно одна тема. Подложку добавляем отдельным TileLayer(control=False), чтобы она не исчезала при переключении. Все слои разбиты на 5 упорядоченных классов, поэтому им хватает одной легенды.
# screenshot: 1000x560 """Одномерные слои с переключателем: читатель сам выбирает, какую тему смотреть. Вместо одной сложной многомерной карты — три простые картограммы на одной веб-карте. Слои с overlay=False попадают в LayerControl как радиокнопки: в каждый момент видна ровно одна тема. Все слои разбиты на 5 упорядоченных классов и раскрашены одной шкалой, поэтому им хватает одной общей легенды. """ import sys from pathlib import Path import folium import geopandas as gpd import mapclassify from branca.utilities import color_brewer 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") & world["gdp_per_capita"].notna()].copy() COLORS = color_brewer("YlGnBu", 5) # номер класса 0…4: плотность и ВВП — квантили (по 20 % стран), доход — 5 групп Всемирного банка world["c_dens"] = mapclassify.Quantiles(world["pop_density"], k=5).yb world["c_gdp"] = mapclassify.Quantiles(world["gdp_per_capita"], k=5).yb world["c_inc"] = 5 - world["income_grp"].str[0].astype(int) # 0 — низкий … 4 — высокий LAYERS = [("c_dens", "pop_density", "Плотность населения, чел./км²"), ("c_gdp", "gdp_per_capita", "ВВП на душу населения, долл."), ("c_inc", "income_grp", "Группа стран по доходу")] m = folium.Map(location=[30, 15], zoom_start=2, tiles=None) folium.TileLayer("Esri.WorldGrayCanvas", control=False).add_to(m) # подложка видна всегда for i, (cls, col, title) in enumerate(LAYERS): layer = folium.FeatureGroup(name=title, overlay=False, show=(i == 0)) folium.GeoJson( world[["name_ru", col, cls, "geometry"]], style_function=lambda f, cls=cls: {"fillColor": COLORS[f["properties"][cls]], "color": "white", "weight": 0.5, "fillOpacity": 0.9}, tooltip=folium.GeoJsonTooltip(["name_ru", col], aliases=["Страна", title]), ).add_to(layer) layer.add_to(m) folium.LayerControl(collapsed=False, position="topleft").add_to(m) add_legend(m, "Класс", COLORS[::-1], ["5 — самые высокие", "4", "3", "2", "1 — самые низкие"]) add_title(m, "Три темы по очереди", "переключатель слева: одна тема — одна карта") plain_attribution(m) # убираем флажок из подписи Leaflet m.save("03_layer_switch.html")

Рецепт 4 Многомерная карта: цвет + размер
Один круг передаёт два показателя: площадь — численность населения (абсолютный показатель), цвет — ВВП на душу (относительный). Большие круги рисуем первыми, чтобы маленькие оказались сверху и не потерялись.
# screenshot: 1000x560 """Многомерная карта: один комбинированный знак — два показателя. Размер круга — численность населения (абсолютный показатель, площадь ∝ значению), цвет круга — ВВП на душу населения (относительный показатель, 5 классов, квантили). Так устроены двумерные пропорциональные значки. """ import sys from pathlib import Path import folium import geopandas as gpd import mapclassify 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") & world["gdp_per_capita"].notna()].copy() world = world.sort_values("pop_est", ascending=False) # большие круги рисуем первыми — снизу q = mapclassify.Quantiles(world["gdp_per_capita"], k=5) colors = color_brewer("YlGnBu", 5) labels = [f"{fmt(lo)} – {fmt(hi)}" for lo, hi in zip([world["gdp_per_capita"].min()] + list(q.bins[:-1]), q.bins)] m = folium.Map(location=[25, 15], zoom_start=2, tiles="Esri.WorldGrayCanvas") centers = world.to_crs("ESRI:54009").representative_point().to_crs(4326) max_pop, max_r = world["pop_est"].max(), 40 # самый большой круг — 40 px for (_, row), pt, c in zip(world.iterrows(), centers, q.yb): folium.CircleMarker( location=[pt.y, pt.x], radius=max(2, max_r * np.sqrt(row["pop_est"] / max_pop)), color="#333", weight=0.7, fill=True, fill_color=colors[c], fill_opacity=0.9, tooltip=(f"{row['name_ru']}: {fmt(row['pop_est'] / 1e6, 1)} млн чел., " f"{fmt(row['gdp_per_capita'])} долл./чел."), ).add_to(m) svg = '<svg width="150" height="86">' # вложенная легенда размеров for value, label in [(1e9, "1 млрд"), (3e8, "300 млн"), (5e7, "50 млн")]: r = max_r * np.sqrt(value / max_pop) top = 82 - 2 * r svg += (f'<circle cx="40" cy="{82 - r}" r="{r}" fill="none" stroke="#333"/>' f'<line x1="40" y1="{top}" x2="88" y2="{top}" stroke="#333" stroke-dasharray="2 2"/>' f'<text x="92" y="{top + 4}" font-size="11">{label}</text>') add_html(m, f"<b>Размер: население</b><br>{svg}</svg>", position="bottomleft") add_legend(m, "Цвет: ВВП на душу, долл.", colors[::-1], labels[::-1], shape="circle") add_title(m, "Население и богатство стран", "размер круга — население, цвет — ВВП на душу") plain_attribution(m) # убираем флажок из подписи Leaflet m.save("04_color_and_size.html")

Проверь себя
Что такое многомерная тематическая карта?
- Карта с несколькими подложками
- Карта, где два или более атрибута объединены в комбинированном условном знаке
- Трёхмерная карта рельефа
- Серия карт одного атрибута за разные годы
Какую пару показателей разумно совместить на двумерной карте?
- Средний балл ЕГЭ и цена арбузов
- Плотность населения и код ОКАТО
- Число школ и площадь района
- Доход на душу и ожидаемая продолжительность жизни
Карта будет висеть на стенде у входа в музей, прохожие посмотрят на неё секунд десять. Какую выбрать?
- Простую одномерную
- Двумерную картограмму 4 × 4
- Многомерную с тремя показателями
- Любую — время не важно
Почему не стоит картографировать атрибут iso_a3?
- Он содержит ошибки
- Он слишком большой
- Это идентификатор для программы, а не тематические данные
- Его нельзя классифицировать квантилями
Корреляция между ВВП на душу и группой стран по доходу — 0,94. Что это значит для карты?
- Отличная пара для двумерной картограммы
- Показатели почти дублируют друг друга: вторая тема мало что добавит
- Это ложная корреляция
- Один из показателей — служебный
Какой тип многомерной карты допускает номинальный показатель (например, часть света)?
- Двумерная картограмма
- Никакой
- Двумерные пропорциональные значки: размер — число, цветовой тон — категория
- Только анаморфоза
Практическое задание
Выберите в countries.geojson два показателя и в двух предложениях обоснуйте, почему они связаны. Проверьте корреляцию Спирмена. Сделайте два варианта: (1) две одномерные карты на DualMap; (2) одну многомерную карту с комбинированным знаком (цвет + размер). Покажите оба варианта двум-трём одноклассникам, задайте один и тот же вопрос и засеките, сколько времени ушло на ответ.
- Связь показателей обоснована словами, а не только числом корреляции
- Ни один служебный атрибут (код, ID, площадь) не попал на карту
- На картограмме — только относительный показатель, абсолютный — размером значков
- У многомерной карты есть легенды для обоих показателей
- Сделан вывод, какой вариант читается быстрее и почему
Источники
- Univariate Maps Versus Multivariate Maps / Axis Maps. — Текст : электронный // Cartography Guide : [сайт]. — URL: https://www.axismaps.com/guide/multivariate-vs-univariate (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.