在统计数据自然科学中，统计数据建模是三个十分关键的各个环节。透过建模辅助工具，他们能更快地认知统计数据，进而获得更真切的洞悉和辨认出。Python提供更多了多样的统计数据建模辅助工具，本讲义将重点项目如是说三个库：Matplotlib和Seaborn。
Matplotlib
Matplotlib是Python中最常见的绘图库，它提供更多了广为的绘图机能，主要包括技术面、厚边、图表、饼图等。上面是三个单纯的实例：
import matplotlib.pyplot as plt#聚合统计数据x =[1,2,3,4,5]y =[1,4,9,16,25]#绘出折技术面plt.plot(x, y)plt.show()
Matplotlib的基本上绘图业务流程如下表所示：
引入matplotlib.pyplot组件；建立统计数据；初始化绘图表达式，如plot、scatter、bar、pie等；可拉苏特兰增设绘图特性，如副标题、单位向量条码、圆盘、示意图等；表明绘图，初始化show表达式。
Seaborn
Seaborn是三个如前所述Matplotlib的高阶绘图库，它提供更多了更耐用、更快捷的绘图形式，的的统计数据建模各方面整体表现出众。上面是三个单纯的实例：
import seaborn as snsimport pandas as pd#读取统计数据data = pd.readcsv(data.csv)#绘出厚边sns.scatterplot(x=columnname1, y=columnname2, data=data)
Seaborn的绘图业务流程近似于Matplotlib，但它提供更多了更多的建模机能和式样掌控。采用Seaborn时，一般来说须要先引入Seaborn库，接着再初始化其绘图表达式。Seaborn还提供更多了多种不同式样主轴，能透过setstyle表达式展开增设，如：
sns.setstyle(darkgrid)
归纳
统计数据建模是统计数据自然科学中十分关键的一环，Python提供更多了强大的绘图辅助工具，如Matpl
