分级设色地图怎么做？怎么画？（附：设色原则与判读原则）

作为长期从事空间分析与制图的导师，我常被问到：统计数据繁杂、区域划分众多，如何把数值转换成人人一眼能读懂的地图？我将以 Dr.gis 的实践视角，系统讲清楚原理、设计要点与可操作流程，帮助你稳定产出高质量专题地图。

它是什么，与为何重要

分级设色地图（Choropleth）是用色彩明度/饱和度的梯度在面状单元（如省、市、区、县、栅格聚合区）上表达统计变量强弱的专题地图。它适合表达比率、密度、比例、指数等归一化指标（如人均收入、每十万人发病率、每平方公里密度）。

• 适合：比例/比率型数据、空间单元边界明确的对象、跨区域对比。
• 不适合：原始计数（未标准化）、连续表面（如海拔、温度——这类更适合等值线或分层设色地形图）。
• 价值：降低认知负担，快速找出空间聚集与异常，为政策沟通与决策服务。

术语提示：分层设色地形图（Hypsometric tints）用色带表达连续地形高程，与分级设色地图在数据性质与着色逻辑上不同，请勿混淆。

数据准备与归一化

地图好不好，50% 决定于数据处理。遵循“先正名后着色”的原则：

1. 明确统计对象：变量名称、时间、口径、单位、空间边界版本（如行政区 2021 vs 2023）。
2. 归一化：尽量转为比率/密度。示例：
   • 人均值：总量 ÷ 常住人口
   • 强度/密度：总量 ÷ 面积（或栅格计数 ÷ 区域面积）
   • 结构比例：子项 ÷ 总项
3. 稳健化处理：极端值可视情况做对数变换、Winsorize（如顶端/底端 1% 夹紧）或使用稳健统计（中位数、IQR）。
4. 缺失值策略：标注为“无数据/不适用”，单独样式显示，切勿与最低档混为一谈。
5. 空间连接：将统计表与面要素通过唯一键（如区划代码）连接，核对连接完整性与重复键。
6. 投影与尺度：用于绘图的投影要与输出用途匹配（Web 推荐 Web Mercator；面积分析推荐等积投影）。

# Python/GeoPandas 示例（归一化 + 连接 + 分级）
import geopandas as gpd
import pandas as pd
import mapclassify as mc

g = gpd.read_file("china_county.shp").to_crs(3857)
t = pd.read_csv("county_stats.csv")  # 包含 county_code, cases, pop_2023

g = g.merge(t, left_on="adcode", right_on="county_code", how="left")
g["rate_per_100k"] = (g["cases"] / g["pop_2023"]) * 1e5

# 建议：对偏态数据可做对数变换用于分级，但图例需标注“对数刻度”
# g["rate_log"] = np.log1p(g["rate_per_100k"])

nb = mc.NaturalBreaks(g["rate_per_100k"].fillna(0), k=5)
g["class"] = nb.yb  # 0..k-1
print(nb.bins)  # 断点

分类方法与选择

颜色分级决定读图暗示与结论倾向。常见方法与适用性如下：

• 类数建议：5±2 档最易读；网络端 5–6 档、印刷端 6–7 档。
• 稳健性复核：切换 2–3 种方法，观察热点是否稳定；报告断点数值与方法，支持可复现。
• 评估指标：自然间断可参考 GVF（方差拟合优度）；分位数关注每档样本量是否过少。

配色与感知原则

• 单调明度优先：确保从低到高明度单调变化，避免彩虹色带造成顺序误读。
• 匹配变量类型：
  • 单向递增（如密度、风险等级）→ 顺序色带（如 YlOrRd、PuBu）
  • 相对均值的双向偏离（如增长率±）→ 发散色带（如 RdBu、BrBG），零/均值居中
• 色觉友好：优先 ColorBrewer 的色带；如需更稳健，选 Cividis 或 Okabe–Ito 调色。
• 背景与边界：底图低对比（浅灰），行政边界用细实线、低饱和度；避免干扰信息层。
• 语义一致：高值常用更深/更暖；全片系保持一致语义，跨图一致。

顺序示意（明度从浅到深）：
░  ▒  ▓  █  ▉

判读原则与常见偏误

• 先读图例再读图面：确认变量、单位、分级方法与断点；最高档是否被过度强调。
• 关注异常与孤岛：异常区域需回查数据来源、时间或口径变化。
• 避免生态谬误：面单位的平均并不代表个体；必要时辅以散点或小提琴图（报告中呈现）。
• MAUP 问题：不同聚合尺度会改变空间模式；跨尺度比较需谨慎。
• 计数 vs 比率：尽量避免直接映射计数；如必须，考虑同时展示人口底盘信息或改用点密度。

在主流软件中的实操流程

QGIS（推荐版本 3.22+）

1. 加载数据：图层 → 添加图层 → 矢量图层；加载面要素与统计表。
2. 表连接：右键面图层 → 属性 → 连接 → 选择键字段（如 adcode）。核对连接率。
3. 字段计算：属性表 → 字段计算器，生成比率/密度字段（保留小数位）。
4. 设色：图层样式 → 符号系统 → 分级；选择数值字段、分级方法（自然间断/分位数等）、类数 5–6；色带选 Brewer 系列。
5. 图例与数值格式：点击“分类”后手动微调断点；格式设置千分位与单位，缺失值单独样式（灰/斜线填充可用图案填充）。
6. 标注与导出：版面管理器设置标题、数据来源、坐标与比例尺；导出为 SVG/PDF/PNG（矢量优先）。

ArcGIS Pro

1. 添加数据并确保坐标系一致；使用 Join 将统计表关联到面要素。
2. 字段计算器计算比率/密度；图层 → Symbology → Graduated Colors。
3. 选择字段、Method（Natural Breaks/Quantile/Equal Interval/Std. Deviation）、Classes 5–6、Color Scheme 选 Brewer。
4. 编辑断点与标签格式；Advanced Symbol Options 设置边界线与透明度。
5. 布局视图添加必要元数据与来源，导出矢量图。

Python/GeoPandas（自动化与可复现）

import geopandas as gpd
import mapclassify as mc
import matplotlib.pyplot as plt

g = gpd.read_file("china_county.shp").to_crs(3857)
# 已包含 rate_per_100k 字段
ax = g.plot(
    column="rate_per_100k",
    scheme="NaturalBreaks",
    k=5,
    cmap="YlOrRd",
    linewidth=0.2,
    edgecolor="#f0f0f0",
    legend=True,
    legend_kwds={"loc": "lower left", "title": "每10万人"}
)
plt.title("某指标空间分布（自然间断，5档）")
plt.tight_layout()
plt.savefig("map.svg")  # 矢量优先

质量检查清单

• 变量是否为比率/密度？单位是否明确？时间是否一致？
• 分级方法与类数是否合适？断点是否可解释、是否标注清楚？
• 色带是否单调明度、色觉友好？背景与边界是否不干扰主体？
• 缺失值、为零与极端值是否被清楚区分？
• 图例标题、来源、注记（如“断点基于自然间断”）是否完整？
• 跨版本/不同屏幕是否稳定显示？打印测试是否通过？

典型难题与对策

与分层设色地形图的取舍

• 连续表面（高程、温度、雨量）：优先栅格可视化（等值线+色带或分层设色地形图）。
• 行政统计（收入、比率、指数）：优先分级设色；如内部异质性强，可辅以小尺度网格或蜂窝聚合。

从“为何”到“如何”的简明路径

1. 正名：把计数变比率，把口径说清楚。
2. 试分级：用 5–6 档在分位数/自然间断之间切换对比。
3. 配色：选择单调明度的顺序或发散色带，并通过色盲模拟检视。
4. 标注：断点、单位、来源、时间，一个都不能少。
5. 复核：跨方法稳定性、异常值追因、打印兼容性。

参考文献

• Brewer, C. A. ColorBrewer 2.0
• ArcGIS Pro Help: Graduated Colors
• QGIS 用户手册：分级符号
• mapclassify 文档
• Jenks, G.F. (1967). The Data Model Concept in Statistical Mapping
• Esri: Colorblind-friendly Mapping
• Spatial Analysis Online（MAUP 与空间统计）

结语

要点回顾：用对数据类型（比率/密度优先）、选对分级方法（5–6 档，交叉验证）、配对色带（单调明度、色觉友好）、图例清晰可复现。按本指南的流程，你可以把复杂数字稳健地转译为可读、可信、可复核的空间叙事。

如果你在具体业务中遇到数据偏态、阈值设置或审稿要求等难题，欢迎留言讨论：你最常用的分级策略是什么？在何种场景下会选择自定义断点？更多系统化课程与范例，可关注 GIS研习社（gisyxs.com）。