日常生活产生了大量的互联网用户行为数据，包括在线电子商务交易数据。为了获得其中的时序相关，空间相关以及场景相关的模式，需要从不同角度对数据进行分析。现有方法针对时序交易数据进行可视化与分析，包括对用户交互的时序模式，用户关系网络结构等等。在使用传统的方法进行处理过程中，日益增长的数据维度和结构复杂性也对在线电子商务交易数据的探索提出了新的挑战。　　本文紧紧围绕在线电子商务交易数据，针对分析师提出的不同任务对数据进行了可视化与分析。本文根据数据的多种特征进行了如下三方面的研究:(1)时序用户交互的可视分析。本文提出了多用户交互探索系统MUIE(Multi-UserInteractionExplorer)，它允许用户交互式地探索交易数据中的时序趋势和上下文关联。MUIE结合了改进的概率决策树算法和基于像素的时序显著度TOS(time-of-saliency)图，帮助分析师选取潜在感兴趣的数据集合。被选取的数据进一步使用KnotLines的可视化方法进行探索，KnotLines可视化了交易数据中的细节信息和时序关联。(2)交易轨迹数据的可视化。本文采用动态可视化的方法展现了交易数据中的地理位置和时序信息的关联。我们使用了核密度估计生成交易数据分布的密度场，并使用光照模型对其进行绘制。本文结合硬件加速的方法，可视化不同类型轨迹的动态趋势。(3)多维用户类别型数据的可视分析。本文将交易数据中的类别属性看成离散随机变量。重点可视化了离散随机变量组合的联合分布，条件分布等概率分布。本文提供了进一步的可视化交互工具以帮助用户进行特定变量关联的查找，变量相似性的计算等操作。本文使用了多个案例以及用户研究验证了本文方法的有效性和拓展性。