Mixup 在缓解图像分类中有限标注数据所带来的挑战方面取得了显著成功。通过对特征和标签进行插值来合成样本，Mixup 有效地解决了数据稀缺问题。然而，由于图数据的不规则性和连接性，它在图学习任务中鲜有探索。具体而言，在节点分类任务中，Mixup 在为合成数据创建连接方面存在挑战。在本文中，我们提出了几何 Mixup（GeoMix），这是一种简单且可解释的 Mixup 方法，利用就地图编辑来实现。它有效地利用几何信息，将特征和标签与附近邻域的特征和标签进行插值，生成合成节点并为其建立连接。我们进行了理论分析，阐明了使用几何信息进行节点 Mixup 的原理，强调了局部增强的重要性，这是我们方法设计的关键方面。大量实验表明，我们轻量级的几何 Mixup 在各种标准数据集上均取得了最先进的结果，特别是在有限标注数据的情况下。此外，它显著提升了基础 GNNs 在各种具有挑战性的分布外泛化任务中的泛化能力。我们的代码可以在 https://github.com/WtaoZhao/geomix 获取。