伴随着互联网技术的发展,数据分析在各行各业中起到了举足轻重的作用。在数据分析过程中,如何获得一个完善、稳定的数据源已逐渐成为人们关注的焦点。真实数据源存在的数据冗余、缺失、不确定和不一致等诸多“脏数据”情况,直接影响后续数据挖掘结果的准确性和决策的正确性。数据清洗的重要性不言而喻,与此同时,中文作为全球范围内的第二大语言,对中文数据清洗问题的研究已得到广大学者的广泛关注。本文重点研究基于近邻排序的中文数据清洗课题。数据清洗的种类有多种,重复值清洗是一项重要且具有挑战性的研究课题。最初中文重复值清洗的研究是将英文中清洗效果较好的方法直接应用于中文,但是由于中英文在语义、使用习惯等方面存在差异,研究结果显示主要有以下两个难点:传统清洗算法无法适应中文语义环境且无法有效处理中文常见的同音词、同义词等情况,导致最终清洗结果和原始数据的实际情况大相径庭。针对传统算法的不足,本文提出了基于近邻排序的中文数据清洗算法。论文将传统近邻排序算法直接应用于中文数据清洗,结果显示准确率远低于该算法应用于英文重复值清洗时的结果。经过研究发现,中文语义是基于词语的,而传统近邻排序算法无法以词语为单位计算相似度;同时,该算法无法对同义词之间是否相似做有效判定。针对以上不足之处,本文给出了改进思路:在引入编辑距离计算相似度的过程中,采用中文分词的手段使每个参与相似度计算的单元由单个汉字变成词语来适应中文语义环境。在此基础上,引入同义词词库参与相似度计算,以词库为标准,判定两词语之间是否为同义词。实验结果表明,改进后的近邻排序算法能够以词语为单位计算相似度,体现出中文语义是基于词语的这一客观事实的同时,不仅减少了计算过程中的对比次数,节约算法运行时间,而且为同义词对比做好铺垫。改进后算法的准确度高于传统近邻排序算法,并达到预期效果。