探索性数据分析对深刻理解数据有重要作用。在过去的20年里，研究人员提出了多种可视化的数据探索工具，可以介入到分析过程的每一步。然而，近年来，数据分析的需求发生了显著变化。随着数据的规模和类型不断增加，可扩展性和分析的持续时间成为研究人员主要关注的问题。此外，为了最大限度地降低分析成本，企业需要在分析知识有限的情况下可供使用的数据分析工具。为了应对这些挑战，传统的数据探索工具在过去几年中不断发展。 本文通过对工业表格数据集进行深入分析，确定了对大型数据集进行探索性分析的一组额外需求。随后对新兴的探索性数据分析领域的最新进展进行了全面的综述，研究了50种学术和非学术的可视数据探索工具，考察它们在探索性数据分析过程的六个基本步骤中的实用性，检验这些探索工具能够在多大程度上满足分析大型数据集的额外需求。最后，给出了可视化探索性数据分析领域的若干研究方向。

数值模拟在不同科学领域的广泛应用创造了各种研究机会。它们通常输出大量的时空模拟数据，按其特征可分为单程、多程、多变量、多模态和多维数据。从数据探索和分析的视角看，我们注意到许多聚焦于时空模拟数据的工作往往采用相似的探索技术，例如针对模拟空间、参数空间、特征空间以及它们的组合而设计的探索方案。 然而，目前尚无对这些工作基本共性的系统性综述。在本综述中，我们基于新颖的多空间视角将代表当前水平的工作分为三大类。分类依据的是其采用的相类似的技术：模拟空间中的可视化设计(可视化映射、基于盒形图的可视化概览等)、参数空间分析(可视导航、参数空间投影等)和特征空间中的数据处理(特征定义和提取、模拟数据的采样、简化和聚类等)。

多年来，信息可视化和图绘制领域的研究人员一直致力于开发庞大复杂网络的布局设计和显示技术。通过参与实验的人来分析不同的网络布局风格和表现形式的可读性。在相关文献中，所有网络经常被描述为“大”或“复杂”，然而“大”或“复杂”是相对的。由于该类实验以人为中心，所谓“大”或“复杂”取决于多个因素，如数据复杂性、视觉复杂性以及所采用的技术。在本文中，我们综述了以人为中心的有关实验的文献，以理解在实践中，结点-链接图的不同特征和特性是如何影响视觉复杂性的。

高效实现交互式可视化对用户来说是一项挑战，通常会为用户提供适当的引导来提供帮助。引导被认为是避免分析过程中出现拖延、停顿状况的有效手段。然而，对不同的分析任务，特定的引导方案并不一定都有效。相同的引导方式对具有(1)不同专业水平的用户往往具有不同的效果。所选取的(2)引导度和面向的(3)任务类型也会影响引导的功效。考虑到这些因素，本文进行了一项用户调查，分析用户对不同分析场景的先验知识如何影响不同程度引导方式的有效性。结果表明，不同任务应选用相应的引导度，引导方式对分析结果的总体影响与用户心理状态和分析能力有关。

基于GPS定位的出租车轨迹数据挖掘对交通运输和城市规划具有重要意义。主题模型可以有效地从出租车轨迹中提取语义信息，用于分析城市道路的交通情况。常用的LDA模型忽略了轨迹的方向，不能准确地挖掘出租车的运动模式，从而影响交通情况的分析粒度。因此，有必要在主题建模时考虑轨迹的方向信息。

出租车轨迹由若干个GPS位置组成，本文首先将GPS位置与道路名相匹配来对轨迹数据进行文本化，然后利用bigram主题模型提取轨迹主题。由于bigram模型根据前n-1个单词预测当前单词，因此将其结合主题模型用于轨迹主题的提取可以包含方向信息。