Wykorzystanie statystyk do opisania normalnego zachowania
W poprzednich ćwiczeniach zauważyliśmy, że oszustwa częściej występują w pewnych kategoriach transakcji, ale nie ma oczywistego sposobu na segmentację danych według np. grup wiekowych. Tym razem przyjrzyjmy się średnim kwotom wydawanym w normalnych transakcjach w porównaniu z transakcjami oszukańczymi. Pozwoli ci to zrozumieć, czym transakcje oszukańcze strukturalnie różnią się od zwykłych.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Utwórz dwie nowe ramki danych – jedną dla transakcji oszukańczych i jedną dla pozostałych. Użyj
.locnadf, aby zlokalizować dane spełniające warunek „fraud równa się 1" oraz „fraud równa się 0", i przypisz je do nowych ramek danych. - Przekaż kolumnę
amountz nowo utworzonych ramek danych do funkcji rysujących histogram i przypisz odpowiednio etykietyfraudoraznonfraud.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create two dataframes with fraud and non-fraud data
df_fraud = df.____[df.____ == ____]
df_non_fraud = df.____[df.____ == ____]
# Plot histograms of the amounts in fraud and non-fraud data
plt.hist(____.____, alpha=0.5, label='____')
plt.hist(____.____, alpha=0.5, label='____')
plt.legend()
plt.show()