Anonymisation par généralisation des données

Confidentialité des données et anonymisation en Python

Rebeca Gonzalez

Data engineer

Généralisation des données

Technique permettant de remplacer des valeurs par d'autres moins précises.

Le but est d'éliminer certains identifiants tout en gardant l'utilité analytique.

Permet de remplacer une valeur par une plus générale : « Danseur » -> « Artiste »

     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

Généralisation des données

# 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-**-****

Les personnes âgées de 34 ans seront placées dans l'intervalle 30–50. On parle aussi de « regroupement en classes ».

Agrégation des données

Image montrant une liste de professions à gauche et les grandes catégories générales à droite.

Ensemble de données médical

# 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

Ensemble de données médical

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

Histogramme généré de l'attribut âge de l'ensemble, produit avec la méthode hist

Généralisation

# 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

Cadrage supérieur et inférieur

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

Histogramme généré de l'attribut âge de l'ensemble, produit avec la méthode hist

Peu de personnes ont moins de 25 ans et peu ont plus de 55 ans
Appliquer des bornes pour réduire le risque de réidentification pour ces personnes atypiques
Utile quand il y a très peu d'observations dans une catégorie, surtout aux extrémités de la distribution

Cadrage supérieur

# 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

Code supérieur

# 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

Cadrage inférieur

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

Histogramme de l'âge après cadrage supérieur : plus d'observations extrêmes à droite correspondant aux valeurs les plus élevées

Code inférieur

# 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)

Histogramme de l'âge après cadrage supérieur et inférieur : plus d'extrêmes

Généralisation et modèles de confidentialité

Plus efficace avec la suppression et le masquage selon un modèle de confidentialité comme la k-anonymité.

Définissez des conditions que l'ensemble doit respecter pour maîtriser le risque de divulgation.

Nous verrons comment appliquer ce modèle au prochain chapitre !

Passons à la pratique !

Confidentialité des données et anonymisation en Python