探索性数据分析则是通过统计方法和可视化工具来分析数据集的基本特征，揭示数据之间的关系和规律。
大数据分析应用中，掌握数据挖掘和智能分析的关键方法包括：
1. 数据清洗和数据整合：大数据分析中的数据往往是杂乱无章且不一致的，需要进行数据清洗和整合，包括数据去重、填充空值、处理异常值等，使得数据具备一致性和准确性。
2. 特征选择和特征工程：在数据挖掘和智能分析过程中，需要选择最重要的特征来进行分析。通过特征选择和特征工程，可以提取有用的特征，增强模型的泛化能力，提高分析的准确性。
3. 数据可视化和探索性数据分析（EDA）：数据可视化是将数据通过图表等形式展示出来，帮助分析人员更好地理解数据。探索性数据分析（EDA）则是通过统计方法和可视化工具来分析数据集的基本特征，揭示数据之间的关系和规律。
4. 建模和算法选择：根据问题的类型和数据的特点，选择合适的建模方法和算法。例如，可以使用分类算法、聚类算法、回归算法等进行数据挖掘和智能分析。
5. 模型评估和优化：在建立模型后，需要对模型进行评估，检验其准确性和可靠性。如果模型表现不佳，可以通过调整参数、增加样本量等方法来优化模型。
6. 高效计算和分布式处理：大数据分析处理的数据规模很大，需要借助高性能计算和分布式处理技术，提高计算效率和处理速度。
7. 实时处理和流数据分析：对于实时数据和流数据的分析，需要使用实时处理技术和流数据分析方法，使得分析结果能够及时反馈和应用。
8. 算法集成和模型融合：将多个模型的结果进行集成和融合，可以提高分析的准确性和稳定性。常用的方法包括集成学习、模型融合和Stacking等。
总而言之，掌握数据挖掘和智能分析的关键方法需要具备数据处理、特征工程、可视化、建模、优化、高效计算、实时处理和算法集成等技能。