用統計量定義正常行為
在前面的練習中，我們看到詐欺在某些交易類別中更常見，但目前沒有明顯的方法可將資料切成例如年齡分組。這次，讓我們比較一般交易與詐欺交易的平均消費金額。這會讓你了解詐欺交易在結構上與正常交易有何不同。
本練習屬於課程
Fraud Detection in Python
練習說明
- 從詐欺與非詐欺觀測各建立一個新的 DataFrame。使用
df的.loc來定位資料，並分別以「fraud 為 1」與「fraud 為 0」作為建立新 DataFrame 的條件。 - 在長條圖函式中繪製新建立的 DataFrame 的
amount欄，並分別將圖的標籤指定為fraud與nonfraud。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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()