本书以处理数据的逻辑顺序为核心，从数据抽样、预处理到探索性分析，系统阐述了大数据处理的完整流程。书中不仅深入探讨了传统统计抽样理论在大数据环境下的适用性，还详细介绍了数据清洗、变换及异常值处理等预处理技术，确保了数据分析的准确性和可靠性。
本书通过多维度数据可视化、投影寻踪分析等先进统计方法，结合具体案例，使读者能够直观理解并掌握大数据探索性分析的关键步骤。此外，本书还涵盖了时空大数据探索性分析及空间统计模型，展现了大数据分析的广阔前景。整体而言，本书内容全面、深入浅出，既适合统计专业学生深入学习，也为各领域数据分析人员提供了有力支持。

吴翌琳 中国人民大学统计学院、中国调查与数据中心教授，博士生导师。主要从事经济统计研究，主持多项国家级、省部级重点科研项目，在核心期刊发表学术论文60余篇，开设“统计学”“数据可视化”“数据科学概论”“大数据分析统计基础”“AI赋能统计思维”等本科和研究生课程，多次获得教学和指导类奖项，致力于指导学生应用统计学方法解决商业、经济、金融、社会等领域的实际统计问题。
房祥忠 北京大学教授，教育部高等学校统计学类专业教学指导委员会主任，中国统计学会副会长，北京企业评价协会理事长。研究方向包括：生存分析、可靠性、纵向数据、基尼系数、时空统计、人工智能中的统计方法等。在《中国科学》、JRSP 等期刊发表论文70余篇。曾获北京市科学技术奖二等奖（2002）和教育部第六届高等教育国家级教学成果奖二等奖（2012）。

第1章 导 论 <br>1.1 大数据现象产生的背景 <br>1.2 大数据现象综述 <br>1.3 大数据分析举例 <br>1.4 探索性数据分析 <br>1.5 大数据探索性分析的主要内容 <br>习 题 <br> <br>第2章 大数据背景下的抽样分析 <br>2.1 抽样调查的基础知识 <br>2.2 数据集的相似性度量 <br>2.3 概率抽样 <br>2.4 非概率抽样 <br>2.5 大数据抽样 <br>2.6 抽样分析的综合应用 <br>习 题 <br> <br>第3章 大数据的数据预处理 <br>3.1 整齐数据 <br>3.2 数据的管理与清洗 <br>3.3 数据的变换 <br>3.4 缺失值的处理 <br>3.5 异常点的检测 <br>3.6 变量选择 <br>3.7 数据预处理的综合应用 <br>习 题 <br> <br>第4章 大数据的展示 <br>4.1 统计制图的基本概念 <br>4.2 单变量数据的展示 <br>4.3 多变量数据的展示 <br>4.4 数据分布形态的展示 <br>4.5 高维数据的展示 <br>4.6 空间数据的展示 <br>4.7 统计图的美化 <br>4.8 大数据展示的综合应用 <br>习 题 <br> <br>第5章 探索性数据分析方法 <br>5.1 多维数据的可视化技术 <br>5.2 投影寻踪 <br>5.3 独立成分分析 <br>5.4 探索性数据分析案例 <br>5.5 探索性数据分析的综合应用 <br>习 题 <br> <br>第6章 空间数据分析 <br>6.1 空间数据基础知识 <br>6.2 空间统计介绍 <br>6.3 探索性空间数据分析 <br>6.4 空间自相关分析 <br>6.5 空间扫描统计分析 <br>6.6 空间回归分析 <br>6.7 面板分析 <br>6.8 空间数据分析的综合应用 <br>习 题 <br> <br>参考文献