Картографическое отображение · конспект 15 из 23 · Многомерные тематические карты

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

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 картаМногомерная карта
Атрибутов в одном слоеодиндва и более
Скорость чтениябыстро доносит мысльтребует времени, частых взглядов на легенду
Аудиторияширокая, «на бегу»заинтересованная, готовая вчитываться
Сравнение темтолько между разными картамипрямо в каждой точке карты — видны связи
Местонужна серия картодна карта вместо нескольких
Оформлениепрощесложнее: знаки и цвета соперничают за место
Легенда двумерной карты 4 × 4
Легенда двумерной карты: доход на душу × ожидаемая продолжительность жизни — 16 цветов
Легенда одномерной карты
Легенда одномерной карты — 4 цвета

Как совмещают два показателя

Каждый тип многомерной карты сочетает две графические переменные:

Тип картыПоказатель 1Показатель 2
Двумерная картограммацвет (светлота/тон)цвет (светлота/тон) — двумерная шкала
Двумерные пропорциональные значкиразмер значкацвет значка (допускается и номинальный показатель)
Двумерная анаморфозаплощадь единицыцвет заливки
«Значение по прозрачности»цветпрозрачность
Картограмма + картодиаграммацвет заливки (относительный)размер значков (абсолютный)
Окно выбора многомерной карты в indiemapper
Окно выбора двух атрибутов и способа их совместного показа в indiemapper — веб-приложении Axis Maps, для пользователей которого писалось руководство.
Интерактив: две карты или одна?

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

  1. 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».
  2. 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.
  3. 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.
Типичная ошибкаСовместить показатели, которые почти дублируют друг друга. ВВП на душу и «группа стран по доходу» коррелируют на 0,94 (рецепт 1): группу дохода назначают как раз по доходу. Вторая тема ничего не добавит, а читать карту станет труднее. Обратная ловушка — совместить несвязанные показатели и «найти» связь там, где её нет.
Тренажёр: стоит ли совмещать эти данные?

Для каждой пары выберите ответ.

В отечественной традицииК. А. Салищев делил тематические карты по способу обобщения на аналитические (показывают одно явление или один его показатель — это и есть одномерные карты), комплексные (совмещают несколько характеристик одного или нескольких явлений — многомерные) и синтетические (дают целостную, интегральную характеристику явления, например типологию районов). Классический отечественный приём комплексной карты — сочетание картограммы (относительный показатель — цветом) и картодиаграммы (абсолютный — размером значков).

Если многомерная карта не нужна

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.

python/примеры/multivariate-vs-univariate/01_check_pairs.pyскачать .py
"""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}")
вывод программы
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 случайным

Рецепт 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.

python/примеры/multivariate-vs-univariate/02_small_multiples.pyскачать .py
"""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")
Серия из четырёх одномерных карт в одной равновеликой проекции
Серия из четырёх одномерных карт в одной равновеликой проекции

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.

python/примеры/multivariate-vs-univariate/03_layer_switch.pyскачать .py
# 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")
Три одномерные картограммы; переключатель слоёв слева вверху
Три одномерные картограммы; переключатель слоёв слева вверхуоткрыть карту ↗

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.

python/примеры/multivariate-vs-univariate/04_color_and_size.pyскачать .py
# 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")
Комбинированный знак: размер — население, цвет — ВВП на душу
Комбинированный знак: размер — население, цвет — ВВП на душуоткрыть карту ↗

Проверь себя

Что такое многомерная тематическая карта?

  1. Карта с несколькими подложками
  2. Карта, где два или более атрибута объединены в комбинированном условном знаке
  3. Трёхмерная карта рельефа
  4. Серия карт одного атрибута за разные годы
Многомерная карта передаёт несколько фактов о каждом месте одним, более сложным знаком: например, цветом и размером круга.

Какую пару показателей разумно совместить на двумерной карте?

  1. Средний балл ЕГЭ и цена арбузов
  2. Плотность населения и код ОКАТО
  3. Число школ и площадь района
  4. Доход на душу и ожидаемая продолжительность жизни
Доход и продолжительность жизни логически связаны. Арбузы — ложная связь, код ОКАТО — идентификатор, площадь — служебный атрибут для нормирования.

Карта будет висеть на стенде у входа в музей, прохожие посмотрят на неё секунд десять. Какую выбрать?

  1. Простую одномерную
  2. Двумерную картограмму 4 × 4
  3. Многомерную с тремя показателями
  4. Любую — время не важно
Чем шире аудитория и чем меньше у неё времени, тем проще должна быть карта: одномерная доносит мысль быстрее.

Почему не стоит картографировать атрибут iso_a3?

  1. Он содержит ошибки
  2. Он слишком большой
  3. Это идентификатор для программы, а не тематические данные
  4. Его нельзя классифицировать квантилями
Коды и ID нужны базе данных, чтобы различать объекты. Читателю карты они ничего не сообщают.

Корреляция между ВВП на душу и группой стран по доходу — 0,94. Что это значит для карты?

  1. Отличная пара для двумерной картограммы
  2. Показатели почти дублируют друг друга: вторая тема мало что добавит
  3. Это ложная корреляция
  4. Один из показателей — служебный
Группу дохода назначают по доходу, так что это почти один и тот же показатель. Многомерная карта станет сложнее, но не информативнее.

Какой тип многомерной карты допускает номинальный показатель (например, часть света)?

  1. Двумерная картограмма
  2. Никакой
  3. Двумерные пропорциональные значки: размер — число, цветовой тон — категория
  4. Только анаморфоза
Цветовой тон хорошо передаёт категории, а размер значка — количество. Двумерной картограмме нужны упорядоченные данные по обеим осям.

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

  1. 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).
  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.