ArcGIS矢量数据重分类：从字段计算器到实战应用

1. 从“分类”到“重分类”：一个被低估的GIS核心操作

在ArcGIS的日常数据处理中，我们经常遇到这样的场景：你手头有一份土地利用数据，其中“地类代码”字段记录了从11到83的各类用地，但你的分析只需要区分“耕地”、“林地”、“建设用地”和“其他”这四大类。或者，你拿到了一份人口普查数据，其中的“人均收入”字段是连续数值，你需要将其划分为“低收入”、“中等收入”、“高收入”几个区间，以便进行可视化制图。这个将现有数据按照新的规则重新归类的过程，就是“重分类”。

“矢量按某个字段重分类”这个操作，听起来简单，但它恰恰是GIS空间分析与制图表达之间的一座关键桥梁。它不仅仅是字段值的简单替换，更是一种数据语义的转换和抽象。很多新手会直接去手动修改属性表，或者写复杂的字段计算器表达式，不仅效率低下，而且容易出错。实际上，ArcGIS工具箱里就藏着几把专门处理这个需求的“瑞士军刀”，比如“查找和替换”、“字段计算器”的进阶用法，以及专门用于此目的的“重分类”工具（虽然它更常用于栅格，但思路相通）。掌握这个技巧，能让你在数据预处理、专题图制作、统计分析前的数据规整等环节，效率提升好几个量级。无论你是刚接触ArcGIS的学生，还是需要频繁处理各类统计数据的规划师、研究员，这个技巧都值得花十分钟彻底搞懂。

2. 为什么需要“重分类”？不止于制图

在深入具体操作之前，我们先厘清重分类的核心价值。它绝不仅仅是为了让地图颜色好看一点。

2.1 满足分析模型的输入要求很多空间分析模型对输入数据的分类有明确要求。例如，在做适宜性评价时，坡度数据通常需要被重分类为“陡坡”、“缓坡”、“平地”等几个等级，并赋予相应的适宜性分值。原始的连续坡度值无法直接参与这种加权叠加分析，必须经过重分类转化为有序的分类数据。

2.2 简化数据，突出主题一份详细的土壤类型数据可能有上百种，但在制作一幅反映“农业适宜性”的专题图时，我们可能只需要关注“沙土”、“粘土”、“壤土”等几个大类。将详细分类重归类为大类，可以大幅简化图面，让核心信息一目了然，避免读者被过多的细节淹没。

2.3 统一数据标准，便于比较当你需要合并来自不同部门、不同时期的数据时，它们的分类体系可能不一致。A数据集的“建设用地”包含代码“51”、“52”、“53”，而B数据集的“城镇用地”对应代码“100”。这时，就需要通过重分类，将两者都映射到一套新的、统一的标准分类下，才能进行有效的空间叠加或统计对比。

2.4 数据离散化，为统计分析做准备对于像收入、人口密度这类连续型字段，直接进行区域统计可能难以发现模式。将其重分类为几个有序区间（如“低密度区”、“中密度区”、“高密度区”），就可以方便地使用交叉表、卡方检验等方法，研究其与其他分类变量（如区域类型）之间的关系。

所以，下次当你面对一个需要“合并某几类”、“划分等级”或者“统一标准”的任务时，第一时间就应该想到“重分类”。

3. 核心工具与方法论：不止一种实现路径

ArcGIS提供了多种方式来实现矢量数据的字段重分类，每种方法适用于不同的场景和需求。理解它们的区别，是高效工作的关键。

3.1 方法一：“查找和替换” - 简单直接的精确匹配这是最直观的方法，适用于分类数量不多、且新旧类别是精确的一对一或多对一映射的情况。

• 操作路径：在矢量图层的属性表（Attribute Table）中，右键点击需要重分类的字段，选择“查找和替换”（Find and Replace）。
• 工作原理：它会在整个字段中进行文本或数值的搜索，并用你指定的新值替换所有找到的旧值。你可以逐个替换，也可以使用“替换全部”。
• 适用场景：将代码“11”、“12”、“13”全部替换为“耕地”；将文本“Beijing”、“Shanghai”统一为“China”。
• 优点：操作简单，所见即所得，无需编写任何逻辑。
• 缺点：当分类很多时，手动操作繁琐易错；无法处理复杂的条件逻辑（如数值区间）。

注意：“查找和替换”是直接修改原始数据。强烈建议在操作前，使用“导出数据”功能备份原始图层，或者直接在复制的新图层上操作。

3.2 方法二：字段计算器（Field Calculator） - 灵活强大的逻辑引擎这是功能最强大、也最常用的方法，几乎可以应对所有复杂的重分类逻辑。

• 操作路径：打开属性表，右键点击目标字段（可以是原有字段，但更推荐新建一个文本型或短整型字段来存放新分类），选择“字段计算器”（Field Calculator）。
• 核心逻辑：你需要编写一个逻辑判断语句（通常使用Python或VBScript解析器），来定义旧值到新值的映射规则。这就像是给ArcGIS下达了一系列的“如果...那么...”指令。
• 适用场景：所有场景，特别是涉及数值区间（如“收入<5000为‘低收入’”）、多重条件组合、或基于其他字段进行判断的情况。

3.3 方法三：连接（Join）与关联（Relate）+ 值域（Domain） - 基于标准编码表这是一种更“工程化”、更规范的方法，尤其适用于大型项目或需要反复使用同一套分类标准的情况。

• 操作流程：
  1. 创建一个独立的编码表（如Excel或另一张属性表），包含两列：“原始代码”和“新分类名称”。
  2. 将你的矢量图层通过“原始代码”字段，与这张编码表进行“连接”（Join）。
  3. 连接后，编码表中的“新分类名称”字段就会临时附加到你的图层属性里。你可以直接使用这个新字段，或者将其值“计算”到图层自身的新建字段中。
• 优点：分类规则与数据分离，易于维护和更新。修改分类时只需更新编码表，所有关联的数据会自动更新（需重新连接或计算）。也便于团队协作和标准统一。
• 缺点：步骤稍多，对于一次性简单任务显得笨重。

对于大多数个人或中小型项目，方法二（字段计算器）是平衡了灵活性与效率的最佳选择。接下来，我们就重点拆解如何用字段计算器玩转重分类。

4. 字段计算器实战：从基础到高级的完整指南

字段计算器是重分类的灵魂工具。很多人对它望而生畏，其实掌握几个固定套路就能解决90%的问题。

4.1 准备工作：新建目标字段永远不要在原始字段上直接计算重分类结果。正确的做法是：

1. 打开图层的属性表。
2. 点击表选项菜单，选择“添加字段”（Add Field）。
3. 为新字段命名（如“Landuse_New”），根据新分类的类型选择字段类型：
   • 文本型（Text/String）：如果新分类是名称，如“耕地”、“城市”。
   • 短整型（Short Integer）：如果新分类是数字代码，如1，2，3。
4. 设置合适的长度（文本型）或精度（数值型）。

4.2 基础套路：使用“if-elif-else”条件语句这是最经典的结构。假设我们有一个字段“DLDM”（地类代码），需要重分类到“DLMC”（地类名称）。

# 在字段计算器的“Python”解析器下，选择“显示代码块”，在“预逻辑脚本代码”框中输入： def reclass(dldm): if dldm == 11 or dldm == 12 or dldm == 13: return "耕地" elif dldm == 21 or dldm == 22: return "林地" elif dldm >= 51 and dldm <= 53: return "建设用地" else: return "其他用地" # 然后在下方“DLMC =”的框中输入：reclass(!DLDM!)

代码解读：

• def reclass(dldm):定义了一个名为reclass的函数，它接收一个参数dldm（即原始的“DLDM”字段值）。
• if/elif/else：构成了条件判断链。注意Python的语法是elif，不是else if。
• return：指定满足条件时，函数返回的结果。
• !DLDM!：ArcGIS字段计算器中引用字段的语法，字段名用叹号包围。
• reclass(!DLDM!)：调用我们定义的函数，并将DLDM字段的每一个值传递进去，计算结果赋给新的DLMC字段。

4.3 处理数值区间：使用比较运算符对于像坡度、收入这样的连续数值，我们需要判断它落在哪个区间。

def reclass_by_range(value): if value < 5: return "平地" elif value >= 5 and value < 15: return "缓坡" elif value >= 15 and value < 25: return "斜坡" else: # value >= 25 return "陡坡" # 假设坡度字段名为“Slope”，新字段名为“Slope_Class” # 在“Slope_Class =”框中输入：reclass_by_range(!Slope!)

4.4 处理文本模糊匹配：使用in运算符或.find()方法有时分类名称不统一，比如“北京市”、“北京”、“Beijing”都需要归为“北京”。

def reclass_city(city_name): city_name = str(city_name).lower() # 转换为小写，避免大小写问题 if "北京" in city_name or "beijing" in city_name: return "北京" elif "上海" in city_name or "shanghai" in city_name: return "上海" else: return "其他" # 假设城市名字段为“City”，新字段为“Prov_City” # 输入：reclass_city(!City!)

4.5 高级技巧：使用字典（Dictionary）进行映射当分类对应关系非常多时，写一长串if-elif语句非常累赘且不易维护。这时可以使用Python字典，让代码更清晰。

# 在预逻辑脚本代码框中，建立一个映射字典 code_map = { 11: "水田", 12: "旱地", 21: "有林地", 22: "灌木林", 31: "河流", 32: "湖泊", 51: "城市用地", 52: "农村居民点", # ... 可以列出所有映射 } def reclass_by_dict(old_code): # 使用字典的get方法，如果找不到对应的键，则返回默认值“未分类” return code_map.get(old_code, "未分类") # 在新字段计算框中输入：reclass_by_dict(!DLDM!)

这种方法特别适合从标准分类代码（如GB/T 21010-2017土地利用现状分类）到自定义分类的转换，你可以直接把整个国标字典放进去。

5. 避坑指南与性能优化：来自实战的经验

掌握了基本操作，下面这些我踩过的坑和总结的技巧，能让你事半功倍。

5.1 字段类型与空值（Null）处理

• 类型匹配：确保你return的值的数据类型，与新建的目标字段类型一致。试图将文本return到整型字段会导致计算失败或错误。
• 空值陷阱：原始数据中的空值（Null）在条件判断中可能引发意外。例如，if value < 10，如果value是Null，这个判断在某些情况下可能为真，导致错误分类。安全的做法是在函数开头先判断空值：

def safe_reclass(value): if value is None: # 判断是否为空 return "数据缺失" # 或 return None if value < 10: return "A" else: return "B"

5.2 字段计算器的“选择集”陷阱字段计算器默认只对当前选中的要素进行计算。如果你没有选中任何要素，它会计算所有要素。这是一个极易出错的地方。在进行重分类前，务必清空选择集（Selection -> Clear Selected Features），或者确认你的选择集正是你想要计算的范围。

5.3 处理超大型数据集时的性能优化对一个拥有百万级要素的图层进行复杂的重分类计算，可能会让ArcGIS卡顿很久。

• 分批处理：如果逻辑允许，可以按属性选择（Select By Attributes）一部分要素进行计算，分几次完成。
• 使用更高效的工具：对于极其简单的、基于固定值的查找替换，ArcToolbox中的“查找和替换”工具（Find and Replace）有时比打开属性表用字段计算器更快，因为它可能绕过了图形界面的渲染开销。
• 升级到ArcGIS Pro：ArcGIS Pro的字段计算器性能和稳定性通常优于ArcMap，对于大数据处理有优势。
• 考虑使用Python脚本：对于定期执行的、极其复杂的重分类任务，可以编写独立的Python脚本，使用arcpy库的CalculateField_management函数，并在后台运行，不占用前端界面资源。

5.4 重分类结果的验证计算完成后，不要想当然认为它是对的。

1. 抽样检查：在属性表中随机选择一些具有不同原始值的要素，人工核对重分类结果是否正确。
2. 频率统计：对新字段使用“统计”（Statistics）功能，或者“汇总”（Summarize）功能，查看新分类的类别数量和要素计数，与你的预期是否相符。例如，你预期“耕地”有5000个要素，统计出来是4800，那就要检查是不是有些耕地代码被你遗漏在了“其他”里。
3. 可视化检查：根据新字段对图层进行符号化（Symbology），快速浏览地图，看各类别的空间分布是否符合常识。比如，城市用地是否都集中在建成区，而不是跑到深山老林里。

6. 从重分类到高级应用：制图与分析的桥梁

重分类的产出，直接服务于下游的制图和分析。

6.1 专题图制作的基石重分类后的字段，是制作分类专题图（Unique Values）或分级色彩图（Graduated Colors）的理想数据源。例如，将人均GDP重分类为“高、中、低”三档后，直接用这个新字段进行“唯一值”渲染，一张清晰的经济差异图就生成了，比直接用连续数值渲染更直观。

6.2 为空间分析准备数据在进行叠加分析（Overlay）如相交（Intersect）、联合（Union）之前，通常需要将输入数据的分类进行统一或简化，重分类是必不可少的预处理步骤。例如，将多期土地利用数据都重分类为“生态用地”、“生产用地”、“生活用地”三大类，然后再进行变化检测分析，结论会更清晰。

6.3 与“融合”（Dissolve）工具联用“融合”工具可以根据指定字段，将具有相同属性值的相邻面要素合并成一个。如果你先按某个详细字段进行了重分类（归并小类），再按重分类后的新字段进行融合，就可以快速得到大类的分区图。例如，将各县的详细产业代码重分类为“第一产业”、“第二产业”、“第三产业”主导，然后按此字段融合，就能得到一幅产业功能分区图。

6.4 在模型构建器（ModelBuilder）或Python脚本中自动化你可以将重分类的步骤（添加字段、字段计算）封装进一个模型或脚本中。当有新的数据批次到来时，只需运行模型或脚本，就能自动完成从原始数据到标准分类数据的转换，极大提升重复性工作的效率。这是将个人技巧转化为团队生产力的关键一步。

我个人在长期项目中养成的习惯是，为每一套标准的重分类规则（如土地利用、行政区划、经济等级）都编写一个独立的Python函数或模型工具，并配以详细的说明文档。这样，无论是自己半年后回头看，还是交接给同事，都能确保分类处理的一致性和可追溯性。矢量字段的重分类，这个看似微小的操作，实则是GIS数据处理链条中承上启下的重要一环，把它练熟、用活，你的GIS工作流会变得无比顺畅。