等距、分位与自然断点三种分级方式会给出不同的地图形态
别名: 分级方法 · 数据分级
概念解释
choropleth 需要把连续数值切成颜色档位，切法是分析决策：等距分级（数值区间等宽）、分位分级（每档区域数相等）、自然断点分级（按数据聚簇断开）。同一份数据在三种切法下可以呈现完全不同的空间图景——等距下"一片低值"、分位下"明显分层"、自然断点下"两极分化"。分级方式不是技术细节而是地图结论的一部分：它决定哪些区域被归入"高"、哪些被归入"低"，而 choropleth 的读者只会记住颜色档位。
机制
三种方法产生不同形态的机制是它们对数据分布的不同响应。等距分级对分布形状不敏感：在右偏分布（多数区域值低、少数极高）下，绝大多数区域挤进最低的一两档，高端档位只含极少数区域——地图几乎单色，极端区域的特殊性被模糊。分位分级保证每档区域数相同：地图上颜色分布均匀、各档都"有人"，但同一档内的数值跨度可能巨大（低端档可能覆盖 0-30，高端档只覆盖 80-85），跨档的颜色差异被人为平均化，可能切断自然的数值结构。自然断点（Jenks）寻找数据内部的聚簇边界，档位贴合数据结构，对偏态分布最友好，但代价是不同数据集之间不可比（每张图的断点都不同）且可能掩盖与断点不重合的业务阈值。三者没有普适正确：等距适合与阈值对齐（政策线）的场景，分位适合强调区域间相对排名，自然断点适合揭示数据自身的分组。分类分级还引入一个跨图比较的约束：两张图分级方式不同，颜色深浅不可直接对比（延伸至同组的分级数量问题）。
怎么研究
研究分级方式影响的方法是多方案对照渲染：同一数据在等距、分位、自然断点（以及不同分级数）下渲染成系列地图，让读者判断空间模式（哪里高、哪里聚集），量化读者结论随分级方式的变化率。因变量包括模式判断的一致性、"高值区域"指认的重合度、以及任务时间。实验一致发现：偏态数据下等距分级的读者判断明显不同于分位与自然断点，且等距分级的判断与数据真实分层偏离更远。方法论的注意点：实验中的"真实模式"需要外部基准（如未分级的连续色标渲染或已知空间结构数据），否则只能测一致性而无法测正确性。
边界
分级选择的自由度受业务约束：当业务存在固有阈值（补贴线、警戒线），断点应对齐业务阈值而非统计最优；比较类地图应锁定同一分级方案以保证可比性。分级方式的混合使用（如以分位为底、业务阈值处强制断开）在实践中常见，但需要在图注中说明。未分级（连续色标）是另一种选择，它消除了分级任意性、保留了细节，但代价是读者难以从颜色中读出精确档位——对需要"读数"的任务不利，对需要"看模式"的任务有利。
怎么落地
- 选分级方式前先画数据直方图：偏态分布慎用等距；需要跨图比较时锁定统一方案。
- 业务阈值存在时，把阈值作为断点并入分级，并在图例中标注。
- 图例必须写明分级方式与各档数值区间，不只显示颜色块。
- 验证：把同一数据在两种分级方式下渲染对比，若空间结论（哪里高、哪里聚集）发生实质变化，则结论依赖分级选择，需在报告中披露。