用 matplotlib能夠完成一些基本的圖表操作，而 Seaborn 庫可以讓這些圖的表現更加豐富。
1、 import seaborn as sns
用於導入 seaborn 庫，並取別名為 sns ，后續介紹都用 sns 代表 seaborn 。
2、 sns.set()
設置畫圖空間為 Seaborn 默認風格。
3、 sns.set_style( strStyle )
設置畫圖空間為指定風格，分別有：
- darkgrid
- whitegrid
- dark
- white
- ticks
4、 sns.despine()
隱藏右邊和上邊的邊框線。
5、 sns.despine( offset = 10 )
設置縱橫兩軸近原點端點距離原地的距離。
6、 sns.despine( left = True )
在隱藏右和上邊框線的同時，隱藏左邊線。
7、 with sns.axed_style( "darkgrid" ) :
此背景風格設置只對冒號后對應縮進內畫的圖有效，其他區域不變。
8、 sns.color_palette()
調色板，畫圖時可以從他的對象中取顏色，不傳參的話會取六個默認的顏色循環：deep, muted, pastel, bright, dark, colorblind。
9、 sns.palplot( sns.color_palette( "hls" , 8 ) )
在 hls 顏色空間中均勻地取八種顏色放入調色盤。
10、 sns.boxplot ( data = data , palette = sns.color_palette ( "hls" , 8 )
用調色盤畫箱線圖。
11、 sns.hls_palette( 8 , l = .7 , s = .9)
用hls_palette() 函數可以在從 hls 顏色空間取顏色時，控制顏色的亮度和飽和度，
- l-亮度 lightness
- s-飽和 saturation
12、 sns.color_palette( "Paired" , 10)
取 10 個， 5 對顏色，都是深淺對應的。
13、 sns.xkcd_rgb[ "pale red" , lw = 3 ]
使用 xkcd 可以通過顏色名調用顏色，不過這個需要知道顏色名跟顏色的對應關系。
14、sns.color_palette( "Blues" , 8 )
取顏色由淺到深漸變的 8 種藍色（變來變去還是藍色）。
15、 sns.color_palette( "Blues_r" , 8 )
要取顏色由深到淺的顏色時，只需要在顏色名后面加上 "_r" 就行了。
16、 sns.color_palette( "cubehelix" , 8 )
取顏色由深到淺線性變換的 8 個顏色（不同的顏色）。
17、 sns.cubehelix_palette( 8 , start = .5 , rot = -.75 )
完成16的操作的專用函數，根據 start 和 rot 不同的值，可以得到不同的顏色。
18、 sns.light_palette( "green" )
調用系統定義好的由淺到深的連續漸變調色板。
19、 sns.dark_palette( "green" )
調用系統定義好的由深到淺的連續漸變調色板。
20、 sns.distplot( x , bins = 20 , kde = False , fit = stats.gamma)
以 ndarray 類型的 x 作為數據，畫柱形圖，查看單變量數據分布情況， bins 是將 X 軸上的值分成 20 段 ，畫圖時統計每一段的值出現的次數
fit 會畫出數據走勢線。
21、 sns.jointplot( x = "x" , y = "y" , data = df )
畫出反映兩個變量之間關系的散點圖，以及各自的柱形圖。
22、 sns.jointplot( x = x , y = y , kind = "hex" , color = "k" )
當數據量很大時，可以調整 kind 參數為 "hex" ，會用顏色深淺來表示數據分不密度，以此達到觀測效果。
23、 sns.pairplot( sns.load_dataset( "iris" ) )
當有多個變量時，可以用 pairplot 畫出各個變量倆倆關系的散點圖及各自的柱形圖。
24、 sns.regplot( x = ColumnName1 , y = ColumnName2 , data = DataFrame1 )
sns.lmplot( x = ColumnName1 , y = ColumnName2 , data = DataFrame1 )
regplot() 和 implot() 都可以繪制線性回歸圖， lmplot 相比 regplot 更靈活的同時也更復雜。