异常值检测
在正确进行数据预处理时，一个非常重要的环节是异常值检测。在机器学习面试中，经常会被问到如何定位并处理异常值。一个简单的方法是通过可视化来发现异常值。
在找到并填补缺失值之后，定位异常值并决定如何处理它们是另一个必要的预处理步骤。
有多种可视化库可以帮助您查看异常值，但在本练习中，您将使用 seaborn 为 loan_data 中选定的列绘制单变量与多变量箱线图。
所有相关的库都已为您导入。
您的流程现在进行到哪里了？
本练习是课程的一部分
用 Python 练习机器学习面试题
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import modules
import matplotlib.pyplot as plt
import seaborn as sns
# Univariate and multivariate boxplots
fig, ax =plt.subplots(1,2)
sns.____(y=____['_____'], ax=ax[0])
sns.____(x='Loan Status', y='Annual Income', data=____, ax=ax[1])
plt.show()