繪製你的資料
在上一個練習中，我們發現詐騙與非詐騙觀測值的比例非常低。你可以採取一些作法來改善，例如在下一部影片會說明的重新取樣（re-sampling）。
在本練習中，你將先檢視資料，並將詐騙與非詐騙的比例視覺化。在進行任何變更之前，先看看資料本身，一直是做詐騙分析的良好起點。
此外，和同事討論時，一張圖通常能清楚顯示我們面對的是高度不平衡的資料。
現在，讓我們在資料集 df 上建立一張圖，來視覺化詐騙與非詐騙資料點的比例。
函式 prep_data() 已經在你的工作環境中載入，matplotlib.pyplot 也已以 plt 名稱載入。
本練習屬於課程
Fraud Detection in Python
練習說明
定義
plot_data(X, y)函式，將給定的特徵集X與標籤y以散佈圖清楚繪出。這部分已為你完成。對資料集
df使用prep_data()函式，產生特徵集X與標籤y。對剛取得的
X與y執行plot_data()，將結果視覺化。
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。
# Define a function to create a scatter plot of our data and labels
def plot_data(X, y):
plt.scatter(X[y == 0, 0], X[y == 0, 1], label="Class #0", alpha=0.5, linewidth=0.15)
plt.scatter(X[y == 1, 0], X[y == 1, 1], label="Class #1", alpha=0.5, linewidth=0.15, c='r')
plt.legend()
return plt.show()
# Create X and y from the prep_data function
X, y = prep_data(____)
# Plot our data by running our plot data function on X and y
____(X, y)