我将尝试回答您的问题，但在我想指出使用术语“大型数据集”具有误导性之前，因为“大型”是一个相对概念。您必须提供更多详细信息。如果您正在处理投标数据，那么这一事实很可能会影响为您的数据分析选择首选工具、方法和算法。我希望我对数据分析的以下想法能够解决您的子问题。请注意，我的分数编号与您的子问题编号不匹配。但是，我相信它更好地反映了一般的数据分析工作流程，至少，我是如何理解它的。

1. 首先，我认为您至少需要记住某种概念模型（或者，更好的是，在纸上）。该模型应指导您进行探索性数据分析 (EDA)。模型中存在因变量 (DV)意味着在分析后期的机器学习 (ML)阶段，您将处理所谓的有监督 ML，而不是在没有已识别 DV 的情况下处理无监督 ML。

2. 其次，EDA是至关重要的一环。恕我直言，EDA 应该包括生成描述性统计和数据可视化的多次迭代，因为您可以完善对数据的理解。这一阶段不仅会为您提供有关数据集的宝贵见解，还会为您的下一个重要阶段——数据清理和转换提供支持。仅仅将原始数据放入统计软件包中不会有太大的作用——对于任何有效的统计分析，数据应该是干净、正确和一致的。这通常是最费时费力但绝对必要的部分。有关此主题的更多详细信息，请阅读此好论文（由 Hadley Wickham 撰写）和此（由 Edwin de Jonge 和 Mark van der Loo 撰写）。

3. 现在，正如您希望完成EDA以及数据清理和转换一样，您已准备好开始一些更多涉及统计的阶段。其中一个阶段是探索性因素分析 (EFA)，它允许您提取数据的底层结构。对于具有大量变量的数据集，EFA 的积极副作用是降维。而且，从这个意义上说，EFA 类似于主成分分析 (PCA)和其他降维方法，我认为 EFA 更重要，因为它可以改进你的数据“描述”的现象的概念模型，从而理解你的数据集。当然，除了 EFA 之外，您可以/应该根据您在之前阶段的发现执行回归分析以及应用机器学习技术。

最后，关于软件工具的说明。在我看来，统计软件包的现状是这样的，几乎所有主要的软件包在功能方面都具有可比性。如果您在软件工具方面具有某些政策和偏好的组织学习或工作，那么您会受到它们的限制。但是，如果不是这样，我会根据您对其特定编程语言、学习曲线和您的职业前景的舒适度，由衷地推荐开源统计软件。我目前选择的平台是R Project，它提供成熟、强大、灵活、广泛和开放的统计软件，以及令人惊叹的软件包、专家和爱好者生态系统。其他不错的选择包括Python、Julia和用于处理大数据的特定开源软件，例如Hadoop、Spark、NoSQL数据库、WEKA。有关用于数据挖掘的开源软件的更多示例，包括通用和特定的统计和 ML 软件，请参阅Wikipedia 页面的这一部分。

更新：忘了提到Rattle，它也是一个非常流行的面向 R 的开源 GUI 软件，用于数据挖掘。

1. SPSS 是一个很棒的工具，但是您可以使用计算机上已有的资源（如 Excel）或免费的资源（如 R-project）来完成大量工作。尽管这些工具功能强大，并且可以帮助您识别模式，但您需要在运行分析之前牢牢掌握数据（我建议对您的数据运行描述性统计数据，并使用图表探索数据以确保一切正常）看起来很正常）。换句话说，您使用的工具不会提供“灵丹妙药”，因为输出只会与输入一样有价值（您知道谚语......“垃圾进，垃圾出”）。我所说的大部分内容已经在 Aleksandr 的回复中说明了——当场。

2. 对于我们这些不熟悉编码的人来说，R 可能具有挑战性，但是与 R 及其软件包相关的免费资源非常丰富。如果您练习学习该程序，您将很快获得牵引力。同样，您需要熟悉您的数据和您想要运行的分析，无论您使用何种统计工具，这一事实仍然存在。

3. 我首先要对我的数据非常熟悉（按照 Aleksandr 的回复中概述的步骤，首先）。您可能会考虑阅读 John Foreman 的名为 Data Smart 的书。这是一本动手操作的书，因为 John 提供了数据集，您可以按照他的示例（使用 Excel）来学习导航和探索数据的各种方法。对于初学者来说，这是一个很好的资源。

Aleksandr 给出了非常透彻的解释，但简而言之，这些是遵循的步骤：

提取数据

清理数据

特征提取

建筑模型

推断结果

发布结果

循环重复步骤 3、4、5，直到获得正确的精度。

R 有pnc 对话 GUI，如 SPSS。他们打印 R 代码，因此您可以学习并结合他们的努力。我会推荐 BlueSky，因为它可以为所有事物提供对话和嘎嘎声。虽然这些软件非常适合 EDA、统计和可视化，但它们的机器学习表现不佳。