可以先看一下資料缺失（missing）狀況、（某些變數）的分佈，然後看一下相關關係，最後建模。
題主給出的條件比較少，只提供了資料量（記錄數），尚未給出其他資訊。但碰到一批新的資料時，
（1）去除某些變數嚴重缺失的資料記錄後，可以先看一下資料的分佈狀況，可以先看一下某幾個感覺重要的變數的分佈狀況（頻率分佈圖，或者Kernel density estimation），python 的pandas和seaborn （如seaborn.distplot()）都可以簡單的實現。若想看一下資料整體的分佈狀況，可以透過PCA或MDS找到那些異常值（偏離大部分記錄的資料點）。
（2）進行了簡單的資料清洗與查看了大體分佈後，可以定性的探究一下不同變數間的相關關係（可看做定性分析）。
seaborn.heatmap()
(3) 進行了上述分析後，然後可以透過stepwise 線性迴歸或者廣義可加性模型等“傳統模型”建模，預測目標變數或者透過樸素貝葉斯，支援向量機，kNN等方法構建分類模型，若這些模型精度比較差，不能達到滿意的效果，可以構建人工神經網路（簡單的如多層感知器MLP）來進行建模。
上述三步為大體的挖掘步驟，清洗與分佈-相關（定性）-建模（定量），且每一步都可生成若干個分析圖表或報告。
可以先看一下資料缺失（missing）狀況、（某些變數）的分佈，然後看一下相關關係，最後建模。
題主給出的條件比較少，只提供了資料量（記錄數），尚未給出其他資訊。但碰到一批新的資料時，
（1）去除某些變數嚴重缺失的資料記錄後，可以先看一下資料的分佈狀況，可以先看一下某幾個感覺重要的變數的分佈狀況（頻率分佈圖，或者Kernel density estimation），python 的pandas和seaborn （如seaborn.distplot()）都可以簡單的實現。若想看一下資料整體的分佈狀況，可以透過PCA或MDS找到那些異常值（偏離大部分記錄的資料點）。
（2）進行了簡單的資料清洗與查看了大體分佈後，可以定性的探究一下不同變數間的相關關係（可看做定性分析）。
seaborn.heatmap()
可簡單實現， 如下圖。(3) 進行了上述分析後，然後可以透過stepwise 線性迴歸或者廣義可加性模型等“傳統模型”建模，預測目標變數或者透過樸素貝葉斯，支援向量機，kNN等方法構建分類模型，若這些模型精度比較差，不能達到滿意的效果，可以構建人工神經網路（簡單的如多層感知器MLP）來進行建模。
上述三步為大體的挖掘步驟，清洗與分佈-相關（定性）-建模（定量），且每一步都可生成若干個分析圖表或報告。