श्रेणीबद्ध डेटा को अनाम बनाना
Python में डेटा प्राइवेसी और अज्ञातिकरण
Rebeca Gonzalez
Instructor
सामान्यीकरण
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
श्रेणीबद्ध डेटा का सामान्यीकरण
# See the dataset
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
श्रेणीबद्ध डेटा
संभावित मान सीमित या तय होते हैं.
- नस्ल
- लिंग
- गृह नगर
- आयु समूह
- शैक्षिक स्तर
- पसंदीदा फ़िल्में और प्राथमिकताएँ
श्रेणीबद्ध डेटा को अनाम बनाना
श्रेणीबद्ध डेटा को अनाम बनाना
Department EducationField
0 Sales Life Sciences
1 Research & Development Life Sciences
2 Research & Development Other
3 Research & Development Life Sciences
4 Research & Development Medical
मूल डेटासेट
Department EducationField
0 Sales Medical
1 Research & Development Marketing
2 Research & Development Life Sciences
3 Research & Development Other
4 Research & Development Life Sciences
मूल डेटासेट में educationField कॉलम के प्रायिकता वितरण से सैंपलिंग के बाद प्राप्त डेटासेट.
डेटा से सैंपल लें
U.S. Census नागरिकों के बारे में एकत्र डेटा के सैंपल सार्वजनिक करता है.
बड़े पैमाने के सांख्यिकीय पैटर्न की गणना सक्षम होती है:
- औसत
- वैरिएंस
- क्लस्टर
वितरण देखें
# Show the absolute frequencies of each unique value
hr['EducationField'].value_counts()
Life Sciences 606
Medical 464
Marketing 159
Technical Degree 132
Other 82
Human Resources 27
Name: EducationField, dtype: int64
वितरण देखें
# Generate a bar plot for the categories
df['BusinessTravel'].value_counts().plot(kind='bar')
वितरण देखें
# Obtain the absolute frequencies of each unique value
counts = hr['EducationField'].value_counts()
# Print the list of indexes
print(counts.index)
Index(['Life Sciences', 'Medical', 'Marketing',
'Technical Degree', 'Other', 'Human Resources'],
dtype='object')
वितरण देखें
# Probability distributions of each unique value
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
वितरण देखें
# Values of the frequencies of each unique value
df['EducationField'].value_counts(normalize=True).values
array([0.4122449 , 0.31564626, 0.10816327, 0.08979592, 0.05578231,
0.01836735])
उसी वितरण से सैंपलिंग
# Sample from a probability distribution hr_sample['EducationField']= np.random.choice(counts.index, p=counts.values, size=len(hr))# See resulting dataset 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
उसी वितरण से सैंपलिंग
# Show the absolute frequencies of each category
hr['EducationField'].value_counts()
Life Sciences 606
Medical 464
Marketing 159
Technical Degree 132
Other 82
Human Resources 27
Name: EducationField, dtype: int64
# Show the frequencies of the resulting column
hr_sample['EducationField'].value_counts()
Life Sciences 604
Medical 493
Marketing 158
Technical Degree 120
Other 61
Human Resources 34
Name: EducationField, dtype: int64
अभ्यास करते हैं!
Python में डेटा प्राइवेसी और अज्ञातिकरण
