Anonymizace pomocí generalizace dat

Ochrana soukromí a anonymizace dat v Pythonu

Rebeca Gonzalez

Data engineer

Generalizace dat

Technika nahrazující datové hodnoty méně přesnými.

Cílem je odstranit některé identifikátory při zachování užitečnosti dat pro analýzu.

Umožňuje nahradit hodnotu méně přesnou: "Tanečník" -> "Umělec"

     name               location
0    Amanda Hooper      146 Rodgers Field\nGregoryview, MS 71630
1    Sarah Smith        817 Garcia Shoal\nJonesville, AR 30299
2    Sean Boyd III      1938 90th St\nDallas, TX 59715

     name               location
0    Amanda Hooper      998 Boone Estate\nReedborough, MS 71630
1    Sarah Smith        7255 Shelby Rapids Apt. 455\nKarenland, AK 30299
2    Sean Boyd III      791 Crist Parks\nGreenton, TX 59715

Generalizace dat

# Original data
df_employees.head()

     first name   last name    age   ssn
0    Amber        Brown        91    798-29-4785
1    William      Gibson       34    431-66-8381
2    Daniel       Lee          92    825-91-5550
3    Andrea       Stevenson    64    188-59-3544
4    Julie        Horn         35    020-60-6388

# Generalized data: Age in intervals and masked SSN
generalized_df.head()

    First name    Last name    Age        SSN
0    Amber        Brown        (80, 99]    798-**-****
1    William      Gibson       (30, 50]    431-**-****
2    Daniel       Lee          (80, 99]    825-**-****
3    Andrea       Stevenson    (60, 80]    188-**-****
4    Julie        Horn         (30, 50]    020-**-****

Osoby ve věku 34 let budou zařazeny do intervalu 30 až 50. Tato technika se nazývá také binning.

Agregace dat

Obrázek zobrazující seznam profesních povolání vlevo a obecné kategorie vpravo.

Lékařská datová sada

# Explore the dataset
df_medical.head()

    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

Lékařská datová sada

# Explore the histogram of the age variable
df_medical['age'].hist(bins=15)

Vygenerovaný histogram atributu věku z datové sady metodou hist

Generalizace

# Apply generalization by transforming to binary data
df_medical['age'] = df_medical['age'].apply(lambda x:">=40" if x>=40 else "<40" )


# See results
df_medical.head()

    age    gender    department    condition
0    <40   F         Finance       Bronchitis
1    >=40  M         Production    Bronquitis
2    <40   F         Finance       Dysthymia
3    <40   F         Production    Dysthymia
4    >=40  M         Marketing     Flu

Horní a dolní kódování

# Explore the histogram of the age variable
df_medical['age'].hist(bins=15)

Vygenerovaný histogram atributu věku z datové sady metodou hist

Málo osob je mladších 25 a starších 55 let
Použijte hranice ke snížení rizika re-identifikace odlehlých hodnot
Vhodné, pokud je v kategorii velmi málo pozorování, zejména na okrajích distribuce

Horní kódování

# Filter to see rows affected
df_medical[df_medical['age'] >= 55]

      age   gender   department     condition
26    56    F        Production     Flu
65    55    M        Finance        Dysthymia
126   59    F        Production     Anxiety disorders
139   58    F        Finance        Dysthymia
142   59    M        Marketing      Flu
145   57    M        Marketing      Anxiety disorders

Horní kód

# Top code the age to 55
df_medical.loc[df_medical['age'] > 55, 'age'] = 55


# Filter to see rows affected
df_medical[df_medical['age'] >= 55]

      age   gender   department     condition
26    55    F        Production     Flu
65    55    M        Finance        Dysthymia
126   55    F        Production     Anxiety disorders
139   55    F        Finance        Dysthymia
142   55    M        Marketing      Flu
145   55    M        Marketing      Anxiety disorders

Dolní kódování

# Explore the histogram of the age variable
df_medical['age'].hist(bins=15)

Výsledný histogram atributu věku po aplikaci horního kódování. Na pravé straně nejsou zobrazeny odlehlé hodnoty

Dolní kód

# Bottom code the age to 25
df_medical.loc[df['age'] < 25, 'age'] = 25


# Explore the histogram of the age variable
df_medical['age'].hist(bins=15)

Výsledný histogram atributu věku po aplikaci horního a dolního kódování. Odlehlé hodnoty nejsou zobrazeny

Generalizace dat a modely ochrany soukromí

Nejlépe funguje v kombinaci s potlačením a maskováním v rámci modelu ochrany soukromí, jako je K-anonymita.

Definujte podmínky, které musí datová sada splňovat pro kontrolu rizika prozrazení.

Implementaci tohoto modelu se naučíme v další kapitole!

Čas na procvičení!

Ochrana soukromí a anonymizace dat v Pythonu