代码目录：1.matplotlib
- 1.figure学习
- 2.设置坐标轴
- 3.Legend 图例
- 4.Annotation 标注
- 5.tick能见度
（这个内容来自《利用python进行数据分析第二版》，主要内容）：
- Figures and Subplots（图和子图）
- Colors, Markers, and Line Styles（颜色，标记物，线样式）
- Ticks, Labels, and Legends（标记，标签，图例）
- Annotations and Drawing on a Subplot（注释和在subplot上画图）
- Saving Plots to File（把图保存为文件）
- matplotlib Configuration（matplotlib设置）
代码目录：2.seaborn
Matplotlib试着让简单的事情更加简单，困难的事情变得可能，而Seaborn就是让困难的东西更加简单。
Seaborn是针对统计绘图的，一般来说，seaborn能满足数据分析90%的绘图需求。
Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，应该把Seaborn视为matplotlib的补充，而不是替代物。
用matplotlib最大的困难是其默认的各种参数，而Seaborn则完全避免了这一问题。
- Relational plots 关系类图表
- relplot() 关系类图表的接口，其实是下面两种图的集成，通过指定kind参数可以画出下面的两种图
- scatterplot() 散点图
- lineplot() 折线图
- Categorical plots 分类图表
- catplot() 分类图表的接口，其实是下面八种图表的集成，通过指定kind参数可以画出下面的八种图
- stripplot() 分类散点图
- swarmplot() 能够显示分布密度的分类散点图
- boxplot() 箱图
- violinplot() 小提琴图
- boxenplot() 增强箱图
- pointplot() 点图
- barplot() 条形图
- countplot() 计数图
- Distribution plot 分布图
- jointplot() 双变量关系图
- pairplot() 变量关系组图
- distplot() 直方图，质量估计图
- kdeplot() 核函数密度估计图
- rugplot() 将数组中的数据点绘制为轴上的数据
- Regression plots 回归图
- lmplot() 回归模型图
- regplot() 线性回归图
- residplot() 线性回归残差图
- Matrix plots 矩阵图
- heatmap() 热力图
- clustermap() 聚集图