カテゴリデータの匿名化

Pythonで学ぶデータプライバシーと匿名化

Rebeca Gonzalez

Instructor

一般化

    Age    Gender    Department    Condition
0    30    F         Finance       Anxiety disorders
1    42    M         Production    Bronchitis
2    35    F         Marketing     Dysthymia
3    39    F         Production    Dysthymia
4    40    M         Marketing     Flu

    Age    Gender    Department    Condition
0    <40   F         Finance       Anxiety disorders
1    >=40  M         Production    Bronquitis
2    <40   F         Finance       Dysthymia
3    <40   F         Production    Dysthymia
4    >=40  M         Marketing     Flu

カテゴリデータの一般化

# データセットを表示
hr.head()

    Age    BusinessTravel        Department                EducationField    EmployeeNumber
0    41    Travel_Rarely         Sales                     Life Sciences     1
1    49    Travel_Frequently     Research & Development    Life Sciences     2
2    37    Travel_Rarely         Research & Development    Other             4
3    33    Travel_Frequently     Research & Development    Life Sciences     5
4    27    Travel_Rarely         Research & Development    Medical           7

カテゴリデータ

とりうる値が限定または固定。

人種
性別
出身地
年代
学歴
好きな映画・嗜好

カテゴリデータの匿名化

Education Fieldのカテゴリ値のヒストグラム

カテゴリデータの匿名化

     Department                EducationField
0    Sales                     Life Sciences
1    Research & Development    Life Sciences
2    Research & Development    Other
3    Research & Development    Life Sciences
4    Research & Development    Medical

元データ

     Department                EducationField
0    Sales                     Medical
1    Research & Development    Marketing
2    Research & Development    Life Sciences
3    Research & Development    Other
4    Research & Development    Life Sciences

元データのeducationField列の確率分布からサンプリングした結果データセット。

データからのサンプリング

米国国勢調査は、市民データのサンプルを公開しています。

大規模な統計パターンの計算を可能にする:

平均
分散
クラスタ

分布を確認する

# 各ユニーク値の度数を表示
hr['EducationField'].value_counts()

Life Sciences       606
Medical             464
Marketing           159
Technical Degree    132
Other                82
Human Resources      27
Name: EducationField, dtype: int64

分布を確認する

# カテゴリの棒グラフを作成
df['BusinessTravel'].value_counts().plot(kind='bar')

Business Travel列のカテゴリ値の棒グラフ

分布を確認する

# 各ユニーク値の度数を取得
counts = hr['EducationField'].value_counts()

# インデックスを表示
print(counts.index)

Index(['Life Sciences', 'Medical', 'Marketing', 
      'Technical Degree', 'Other', 'Human Resources'],
       dtype='object')

分布を確認する

# 各ユニーク値の確率分布
counts = df['EducationField'].value_counts(normalize=True)

Life Sciences       0.412245
Medical             0.315646
Marketing           0.108163
Technical Degree    0.089796
Other               0.055782
Human Resources     0.018367
Name: EducationField, dtype: float64

分布を確認する

# 各ユニーク値の相対度数の値
df['EducationField'].value_counts(normalize=True).values

array([0.4122449 , 0.31564626, 0.10816327, 0.08979592, 0.05578231,
       0.01836735])

同一分布からのサンプリング

# 確率分布からサンプリング
hr_sample['EducationField']= np.random.choice(counts.index, 
                                              p=counts.values, 
                                              size=len(hr))


# 結果のデータセットを表示
hr.head()

    Age    BusinessTravel        Department                EducationField    EmployeeNumber
0    41    Travel_Rarely         Sales                     Life Sciences     1
1    49    Travel_Frequently     Research & Development    Medical           2
2    37    Travel_Rarely         Research & Development    Marketing         4
3    33    Travel_Frequently     Research & Development    Technical Degree  5
4    27    Travel_Rarely         Research & Development    Medical           7

同一分布からのサンプリング

# 各カテゴリの度数を表示
hr['EducationField'].value_counts()

Life Sciences       606
Medical             464
Marketing           159
Technical Degree    132
Other                82
Human Resources      27
Name: EducationField, dtype: int64

# 生成列の度数を表示
hr_sample['EducationField'].value_counts()

Life Sciences       604
Medical             493
Marketing           158
Technical Degree    120
Other                61
Human Resources      34
Name: EducationField, dtype: int64

Ayo berlatih!

Pythonで学ぶデータプライバシーと匿名化