先说结论：如果你的工作台上也躺着一堆按年份命名的历史POI文件，准备去统计一级类别、二级类别的分布趋势，常规做法不是急着写代码，而是先把每个年份的“分类字段”挨个看一遍。我这次处理的这套高德POI数据，覆盖2005年到2020年，中间还缺了2011年，十几个年份文件加起来千万级记录，从分类体系设计到跨年份归一化，再到最后做时空分析，全程踩了不少坑。这篇文章就把整个思路完整复盘一遍，重点讲清一级类别和二级类别怎么梳理、怎么统一、怎么用，给同样在处理历史地理数据的朋友做个参考。
这套数据适合谁看？如果你是做数据分析、城市规划、商业选址、学术研究，或者手头正好攒了一批不同年份的地图POI数据不知道怎么归类，那这篇文章应该能帮上忙。我会尽量少讲空泛理论，多给能直接落地的处理方案和踩坑记录。
1. 先搞懂高德POI的一级类别和二级类别是什么
很多人第一次接触POI数据，以为就是一个经纬度加一个名称，后来才发现里面藏着一套完整的行业分类体系。高德把地图上的每个兴趣点都归到一个行业门类里，最上层叫一级类别，再往下细分叫二级类别。这套体系本质上是在回答两个问题：这个地方是什么，它属于什么行业。
1.1 POI分类的基本结构：一个点，两个维度
POI分类跟商品分类很像。你去超市买一瓶酱油，先要确定它在“食品”这个大区，再找到“调味品”这个货架。地图POI也一样，一个点先要被归到某个一级大类，比如餐饮、购物、住宿、医疗、教育，然后在一级大类下面再细分出具体的二级类别。
举几个常见的例子：一级类别“餐饮服务”下面，会有中餐厅、快餐厅、咖啡厅、茶艺馆、糕饼店、甜品店这些二级类别；一级类别“购物服务”下面，会有商场、超市、便利店、专卖店、家电卖场这些二级类别；一级类别“住宿服务”下面，会有酒店、宾馆、旅馆、招待所这些二级类别。
这套结构看起来简单，但实际处理起来比想象中麻烦得多。原因在于：早期年份的POI数据根本不一定按这个标准分类，有的只有大类没有小类，有的连大类都没有，只有一个名称和坐标。
1.2 高德分类体系的历史演变：2005年的数据和2020年的数据不是一回事
我拿到的这套数据里，2005年到2007年的文件结构特别原始。每条记录基本只有名称、地址、经纬度三个字段，偶尔带一个手填的备注，分类信息几乎没有。从2008年开始才逐步出现分类字段，但那时候的分类用词跟现在完全不一样，比如同样是吃饭的地方，有的叫“餐饮”，有的叫“美食”，有的叫“饭店”，同一个意思散落着好几种叫法。
到了2012年以后，数据质量明显提升，开始出现类似“010000”“020000”这样的分类编码。2015年之后才比较接近现在高德地图的展示逻辑，一级类别和二级类别都相对规范。
所以做这套数据的归一化，面对的不只是“分类”这个字段本身，而是十几套完全不同的分类习惯。这也是为什么业内常说，历史POI数据清洗的难点不在技术，在标准。
1.3 为什么只拆一级和二级就够了
可能有人会问，高德不是还有三级、四级类别吗？为什么不一起用？原因有两个。
第一个原因是数据本身的限制。历史数据里能稳定提供的粒度基本就到二级，再往下就零零散散了。比如2008年的数据里，“餐厅”这个二级类别下面根本没有“川菜”“粤菜”之类的三级信息，强行去对齐更细的粒度，只会产生大片空值。
第二个原因是业务分析的实际需求。做城市级、区域级的分析时，一级类别用来判断大业态，二级类别用来做交叉细分，这个粒度已经能回答绝大多数问题了。比如你想看一个城市餐饮业的扩张，用“餐饮服务”一级类别就能看出总量趋势，再用“中餐厅”“快餐厅”这类二级类别能看出结构变化。整太细反而没法做跨年份对比。
2. 多年份数据归一化的三个暗坑
数据归一化，听起来就是把字段格式统一一下，实际上遇到的问题远比想象中多。我处理这套数据时，主要撞上了三个暗坑，每一个都会让统计结果失真。
2.1 字段结构差异：每个年份长得都不一样
最开始我把2005年到2020年的文件全部读进来，打算直接合并成一个表，结果第一个文件读完就开始头疼。有的年份用Excel存，有的年份用CSV，有的年份是直接从旧系统导出的TXT，编码还分成GBK和UTF-8两种。
更麻烦的是列名不统一。同样是指代分类信息，有的文件里叫“类别”，有的叫“行业”，有的叫“业务类型”，有的干脆叫“备注”。列顺序也完全不同，有的年份经纬度放在前两列，有的年份放在最后两列。第一次合并出来的表，错位得没法看。
后来我定了条规矩：所有年份文件统一转成UTF-8编码的CSV，然后按字段名重新映射到一个标准结构上，一共六个核心字段：名称、地址、经度、纬度、一级类别、二级类别。凡是原始文件里没有的字段，留空交给后续环节处理。这个功夫省不了，硬合并只会把错误越带越远。
2.2 分类口径变化：名词不一样，意思是同一个
这是最考验耐心的一关。同一个POI，2005年可能被标成“饭馆”，2008年标成“餐厅”，2015年标成“中餐厅”。如果直接按字面去分桶，同一个店会被统计到三个不同类别里。
更隐蔽的是跨一级类别的口径漂移。比如“酒店”这种词，早期数据可能被扔在“旅游服务”下面，后期被归到“住宿服务”。再比如“药店”，有的年份归在“医疗服务”，有的年份归在“购物服务”。这种一级类别层面的不一致，在总盘子里可能看不出问题，一按年份拆趋势，曲线瞬间出现断崖或跳跃，其实不是真实变化，就是口径变了。
应对思路就一条：不能只做“字段值替换”，必须建一张完整的语义映射表，把历史年份里出现的每一个分类词，都人工确认后映射到统一的二级分类上，再由二级汇总出对应的一级分类。宁可前期多花时间在映射表上，也别指望用代码自动搞定一切。
2.3 数据重复与缺失：统计数字虚高的元凶
历史POI数据的重复问题比想象中严重。同一个地点，在不同年份被采集了多次，或者同一年份里录入两条相近的记录，名称只差一个空格，坐标一样，分类也一样。如果不去重，做任何时序分析都会偏高。
缺失问题就更常见了。早期数据里分类字段大量为空，有的地方整个文件三分之一记录都没有一级类别。对于这些记录，我选择拿名称做关键词兜底匹配，比如名称里含“酒店”二字就归到住宿服务，含“医院”就归到医疗保健。实在无法判断的，单独标记成“未知类别”，放在统计表之外，不参与分类占比计算，这样才能保证比例分析的准确性。
3. 实操流程：从原始数据到统一分类
讲完踩坑，说点能直接上手的东西。整个处理流程我拆成了四步，每一步都有明确产物，方便中途检查。
3.1 第一步：摸清家底，先抽样再看全量
我拿到数据后没有急着跑脚本，先做了两件事：一是用脚本统计每个年份文件的总记录数、字段列表、空值率；二是从每个年份里随机抽出200条记录，人工浏览一遍原始分类字段的分布。
这一步非常重要。通过抽样，你会发现很多意外情况，比如某一年份的分类字段根本不能用，全是“未分类”三个字，再比如某些年份里混杂着非本城市的记录，需要用行政边界做一次空间过滤。统计完这些，再决定哪些年份的数据可以直接用，哪些需要大清洗，哪些干脆弃用。
3.2 第二步：定义统一分类标准，建一张总表
统一标准不要自己拍脑袋设计，最好的办法是参考成熟的地图POI分类体系，再结合数据本身的分布做裁剪。我最终整理出22个一级类别，每个一级类别下面平均5到10个二级类别，总共有150多个二级类别。
一级类别大致包括：餐饮服务、购物服务、生活服务、体育休闲服务、医疗保健服务、住宿服务、风景名胜、商务住宅、政府机构及社会团体、科教文化服务、交通运输服务、金融保险服务、汽车服务、汽车维修、摩托车服务、餐饮相关、通行设施、道路附属设施、地名地址信息、公共设施、公司企业、其他。
这里有一个关键原则：宁缺毋滥。如果某个历史年份里“体育休闲”下面只能确认到“运动场所”和“度假村”两个二级类别，那就只保留这两个，不要为了填满表格而硬造一些历史数据里无法支持的分类。分类表的设计必须跟数据实际可达到的粒度匹配，否则后面匹配的时候会到处都是空值。
3.3 第三步：写匹配脚本，用映射表做批量转换
有了统一分类标准之后，接下来就是把每个年份的原始分类字段映射到统一标准上。我不太建议用纯规则匹配硬顶，因为有太多同义词和书写变体，比较稳妥的思路是先建同义词映射表，再用代码做批量匹配。
我用的方案是：维护一张手工整理的映射表，每一行包含原始分类词、统一一级类别、统一二级类别。然后写一个Python脚本，先直接查表匹配，查不到的话再用关键词规则兜底。加载表之后，对每一行数据进行匹配，能匹配上的就直接写入统一分类字段，匹配不上的走关键词兜底逻辑。
兜底逻辑也需要注意匹配的顺序。比如“火锅食材超市”这个名字，如果先按“超市”匹配就会跑到购物服务，但按业务实质应该是餐饮相关的火锅食材零售，这类边界情况很难百分之百自动化。我的处理方式是：关键词规则按从长到短、从具体到宽泛的顺序排列，先匹配“火锅食材”这类长词，再匹配“超市”这类短词。匹配完仍然没有结果的，统一标记为“需人工确认”，后续抽样再做人工判断。
3.4 第四步：质量验收，抽检+修正循环
映射脚本跑完不是结束，还要做质量验收。我建议每个年份都随机抽500条记录，人工核对一级类别和二级类别的准确率，目标是整体准确率不低于95%，一级类别准确率不低于98%。
第一次抽检的时候，准确率往往达不到这个标准，不是因为脚本写错了，而是映射表里漏掉了很多冷门分类词。把抽检发现的错误词补进映射表，重新跑一遍，再抽检，如此循环几轮，准确率就会上来。这一步听起来枯燥，但恰恰是整个项目里最出效果的一步。
4. 分类归一化之后，这套数据能做什么
把十几年的高德POI数据统一到一套一级、二级分类体系之后，数据的价值才真正释放出来。这里挑三个我实际用过的方向讲讲。
4.1 业态演变的时间序列分析：看城市商业重心的漂移
归一化之后最直接的分析就是按年份统计各级类别的数量变化。我拿华东某城市的数据做过一轮试验，把2005年、2010年、2015年、2020年四个断面打开，先按一级类别做总量排名，再看二级类别的增速。结果非常直观：餐饮服务类增速最猛，住宿服务类在2010年前后有个小高峰，科教文化类在2015年以后明显上扬。
这类分析能帮人理解一个城市的功能演化轨迹。比如某个新区2005年还是“公司企业”和“商务住宅”占主导，到2015年“购物服务”和“餐饮服务”明显增多，基本可以判断这个片区从产业园区往综合功能区转型了。这种判断只有跨年份统一分类之后才做得出来，用当年原始分类直接统计会比较困难。
4.2 空间分布与商圈识别：把分类数据交还给地图
分类数据跟经纬度结合，可以做很多空间分析。比较典型的做法是核密度分析：把某一年份所有“购物服务”类POI做密度表面，连续年份叠加对比，能看到商圈核心的生成、扩张、迁移。
我这次做了一个小实验：选了一个城市，把2008年和2018年的餐饮服务类POI分别做成密度图叠到行政底图上。2008年高密度区域只有一个老城核心，2018年已经扩展出两三个新的高密度聚集区。这种结论完全是从一级类别出发就能获得的，再往下拉一层看二级类别，比如对比“火锅店”和“咖啡厅”的空间分布，甚至能看出不同消费人群的空间分异。
4.3 对商业选址的实际价值：减少拍脑袋决策
商业选址里有一类常用需求：看某个目标区域内，历史年份的业态结构是怎么变的。统一分类后的POI数据，配合区域切片，可以直接算出某个商圈的业态饱和度、空白机会、竞争密度。
举一个实际指导意义很强的用法：如果某区域过去十年“汽车服务”类POI增速远高于“汽车维修”类，说明这个片区的汽车保有量在上升，但后市场服务还没跟上，这里可能就有切入空间。类似这种交叉分析，必须有一级类别拉总盘、二级类别看细分，缺一个维度都推不出来。
5. 常见问题与排查技巧实录
最后把这些年处理POI分类数据时反复遇到的问题集中整理一下，都是比较实际的排查方向，方便你遇到类似情况时快速定位。
5.1 匹配结果大面积错乱怎么办
一旦发现统计结果出现明显异常，比如某一年份“科教文化服务”占比突然高得离谱，多半是映射表里的规则冲突。排查顺序是：先把异常年份单独拎出来，看匹配命中的原始分类词是哪些，再检查映射表里有没有一个词被放进了多个一级类别。比如“学校”这个词，既可能被映射到“科教文化服务”，又可能被匹配到“公司企业”，这种冲突会让分类结果乱套。
我的习惯是给映射表加一个“优先级”字段，同一个原始词如果对应多种解释，靠优先级决定最终归属，同时保留一张日志表记录每次匹配命中的规则。这样出了问题，直接查日志就能反推是哪条规则错了。
5.2 一级类别和二级类别出现大量空值
空值多主要集中在上世纪数据风格的老文件里。处理策略分两类：能靠名称判断的先做关键词兜底，比如名称含“幼儿园”归幼教，含“药店”归医疗保健；无法判断的单独标记，不要强行填一个类别进去。填充时还要小心，名称里含“酒店式公寓”这种复合词，不能直接归到住宿，得看二级分类里有没有“住宅”相关选项。
5.3 分类编码与汉字混用
有些年份的分类字段是纯数字编码，比如“010000”代表某一大类，有些年份是“010100”这种带二级含义的编码。不要看到数字就以为可以按位截断去对应，不同年份的编码规则不一定一致。
稳妥做法是把每一年份里出现的编码全部枚举出来，建立编码到新标准的独立映射表。如果你发现两年份的编码规则一模一样，那可以合并处理，但宁可分开建表也不要做假设。
5.4 数据量太大，脚本跑得很慢
这种千万级数据量，直接遍历关键词列表做匹配会非常慢。我的优化方案是先用正则把常见高频词一次性替换掉，比如“中餐”“餐厅”“饭店”这类高频词，集中处理；剩下匹配不到的低频词再走明细映射表。这样一来，80%以上的记录在第一批就处理完了，整体速度能提升好几倍。
另外，处理完的数据务必分成两个文件保存：一份是清洗后的最终结果，另一份是原始数据的备份。做任何分析前都要确认统计口径用的是最终结果文件，防止反复处理把原始数据污染掉。
6. 一点个人经验总结
这套多年份高德POI分类体系做下来，我最深的体会是：真正的难点不在技术，而在标准。给一个年份的数据做分类很容易，难的是让十四五个年份的数据在同一个分类口径下做对比。映射表一定要保留原始分类字段，不要用清洗字段覆盖原始字段，否则后面发现口径错误，想回溯都难。
还有一个容易被忽略的细节：分类体系要有一点前瞻性。我当时设计统一分类表时，给“新零售”“新能源充电”这类近年才出现的业态留了独立二级类别的位置，虽然早期年份数据里没有这些词，但后续接2025年、2026年新数据时，不用推翻整个体系重做。做历史数据处理，本身就是为更长周期的观测打底稿，前期多花点时间打磨这套分类标准，后续每一年新数据进来，都会越来越省力。
