Анонимизация с помощью обобщения данных

Конфиденциальность данных и анонимизация в Python

Rebeca Gonzalez

Data engineer

Обобщение данных

Метод, позволяющий заменять точные значения данных менее точными.

Цель — устранить часть идентификаторов, сохранив при этом полезность данных для анализа.

Позволяет заменить конкретное значение менее точным: «Танцор» -> «Артист»

     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

Обобщение данных

# 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-**-****

Лица в возрасте 34 лет попадут в диапазон от 30 до 50. Этот приём также называется бинированием.

Агрегация данных

Изображение: слева — список конкретных профессий, справа — соответствующие общие категории.

Медицинский набор данных

# 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

Медицинский набор данных

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

Сгенерированная гистограмма переменной age из набора данных, построенная методом hist

Обобщение

# 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

Верхнее и нижнее кодирование

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

Сгенерированная гистограмма переменной age из набора данных, построенная методом hist

Лиц моложе 25 и старше 55 лет в выборке немного
Применение граничных значений снижает риск повторной идентификации для выбросов
Наиболее эффективно, когда наблюдений в категории очень мало — особенно на хвостах распределения

Верхнее кодирование

# 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

Верхнее кодирование

# 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

Нижнее кодирование

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

Результирующая гистограмма переменной age из набора данных, построенная методом hist после применения верхнего кодирования. Выбросы на правом хвосте, соответствующие наибольшим значениям, отсутствуют

Нижнее кодирование

# 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)

Результирующая гистограмма переменной age из набора данных, построенная методом hist после применения верхнего и нижнего кодирования. Выбросы отсутствуют

Обобщение данных и модели конфиденциальности

Наиболее эффективно в сочетании с подавлением и маскированием в рамках модели конфиденциальности, например K-анонимности.

Определяет условия, которым должен удовлетворять набор данных для контроля риска раскрытия информации.

Как реализовать эту модель конфиденциальности, мы рассмотрим в следующей главе!

Давайте потренируемся!

Конфиденциальность данных и анонимизация в Python