好的答案已经出现。因此，我将基于个人经验分享一些想法：根据需要使相关想法适应您的情况。
对于背景和上下文-这样一来，您就可以解决可能会引起此信息偏见的任何个人偏见-我的大部分工作是帮助人们根据相对较小的数据集做出重要决策。它们之所以很小，是因为收集数据的成本可能很高（例如，地下水监测井的第一个样本需要1万美元，而分析异常化学物质则需要数千美元）。我习惯于从可用数据中尽可能多地获取数据，探索它们直至死亡，并在必要时发明新的方法来对其进行分析。但是，在过去的几年中，我一直致力于处理一些相当大的数据库，例如在人口普查区一级覆盖整个美国的社会经济和工程数据之一（850万条记录，
在拥有非常庞大的数据集的情况下，人们的整个方法和思维定式都会发生变化。现在有太多数据需要分析。一些直接（以及回顾）的明显影响（着重于回归建模）包括
您考虑进行的任何分析都可能需要大量时间和计算量。您将需要开发二次采样和处理部分数据集的方法，以便在使用整个数据集进行计算时可以规划工作流程。（子采样可能会很复杂，因为您需要一个与整个数据集一样丰富的代表性数据子集。并且不要忘记使用保留的数据对模型进行交叉验证。）
因此，您将花费更多时间记录所做的工作并编写所有脚本（以便可以重复执行）。
正如@dsimcha刚刚指出的那样，良好的编程技巧很有用。实际上，您不需要太多的编程环境经验，但是您需要编程的意愿，能够识别编程时间的能力（实际上几乎在每个步骤中都将有所帮助）以及对以下方面的基本要素的充分理解计算机科学，例如设计适当的数据结构以及如何分析算法的计算复杂性。这对于提前知道您计划编写的代码是否可以扩展到整个数据集很有用。
一些数据集之所以庞大，是因为它们具有许多变量（成千上万个变量，每个变量都不相同）。 期望仅花费大量时间来汇总和理解数据。甲码本或数据字典，和其它形式的元数据，成为必不可少的。
您的大部分时间都花在只是移动数据并重新格式化它们上。您需要处理大型数据库的技能，以及对大量数据进行汇总和绘制图形的技能。（Tufte的Small Multiple在这里脱颖而出。）
您最喜欢的某些软件工具将失败。例如，忘记电子表格。许多开放源代码和学术软件都无法处理大型数据集：处理将永远花费，否则软件将崩溃。期望这一点，并确保您有多种方式来完成关键任务。
您运行的几乎所有统计测试都将如此强大，以至于几乎可以确定“显着”效果。 您必须更多地关注统计重要性，例如效果大小，而不是重要性。
同样，模型选择也很麻烦，因为几乎所有变量和您可能考虑的任何交互都会显得很重要。 您必须更多地关注选择分析的变量的意义。
将有足够多的信息来识别变量的适当非线性变换。知道如何做。
您将有足够的数据来检测非线性关系，趋势变化，非平稳性，异方差等。
您将永远无法完成。有太多数据，您可以永远研究它们。因此，一开始就建立分析目标并始终牢记这些目标非常重要。
我将以一小段轶事结尾，这说明了大型数据集与较小数据集之间的回归建模之间的意外差异。在具有人口普查数据的项目结束时，我开发的回归模型需要在客户端的计算系统中实现，这意味着在关系数据库中编写SQL代码。这是一个常规步骤，但是数据库程序员生成的代码涉及数千行SQL。这几乎不可能保证它没有错误-尽管我们可以检测到错误（它在测试数据上给出了不同的结果），但是找到它们是另一回事。（您所需要的只是一个系数中的印刷错误...）解决方案的一部分是编写一个程序，该程序直接从模型估算值生成SQL命令。这确保了从统计信息包中出来的正是RDBMS中输入的东西。另外，编写此脚本花费了几个小时，从而取代了可能需要数周的SQL编码和测试。这只是统计学家能够传达其结果的意义的一小部分。