डेटा जनरलाइज़ेशन से अनॉनिमाइज़ करना

Python में डेटा प्राइवेसी और अज्ञातिकरण

Rebeca Gonzalez

Data engineer

डेटा जनरलाइज़ेशन

एक तकनीक जिसमें आप डेटा मानों को कम सटीक मानों से बदलते हैं.

उद्देश्य है कुछ पहचानकर्ताओं को हटाना, पर विश्लेषण के लिए उपयोगिता बनाए रखना.

आप किसी मान को कम विशिष्ट से बदल सकते हैं: "Dancer" -> "Artist"

     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

डेटा जनरलाइज़ेशन

# 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-**-****

जो 34 वर्ष के हैं, उन्हें 30 से 50 की रेंज में रखा जाएगा. इसे binning भी कहते हैं.

डेटा एग्रीगेशन

बाएँ तरफ़ पेशेवर occupations की सूची और दाएँ तरफ़ उनकी समग्र श्रेणियाँ दिखाने वाली छवि.

मेडिकल डेटासेट

# 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

मेडिकल डेटासेट

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

डेटासेट से age एट्रिब्यूट का हिस्टोग्राम, hist मेथड से जनरेट किया गया

जनरलाइज़ेशन

# 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

टॉप और बॉटम कोडिंग

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

डेटासेट से age एट्रिब्यूट का हिस्टोग्राम, hist मेथड से जनरेट किया गया

25 से कम उम्र बहुत कम है और 55 से ऊपर भी कम है
इन आउट्लायर लोगों के पुन:पहचान जोखिम को घटाने के लिए bounds लगाएँ
तब बेहतर जब किसी श्रेणी में बहुत कम observations हों, खासकर distribution के tails पर

टॉप कोडिंग

# 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

टॉप कोड

# 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

बॉटम कोडिंग

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

टॉप कोडिंग के बाद डेटासेट से age एट्रिब्यूट का परिणामी हिस्टोग्राम, दाएँ तरफ़ उच्च मानों वाले आउट्लायर नहीं दिखते

बॉटम कोड

# 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)

टॉप और बॉटम कोडिंग के बाद age एट्रिब्यूट का परिणामी हिस्टोग्राम, आउट्लायर नहीं दिखते

डेटा जनरलाइज़ेशन और प्राइवेसी मॉडल

K-anonymity जैसे प्राइवेसी मॉडल के साथ Suppression और Masking जोड़कर यह और प्रभावी होता है.

ऐसी शर्तें तय करें जिन्हें डेटासेट को पूरा करना चाहिए ताकि डिस्क्लोज़र जोखिम नियंत्रित रहे.

अगले अध्याय में हम यह प्राइवेसी मॉडल लागू करना सीखेंगे!

अभ्यास करते हैं!

Python में डेटा प्राइवेसी और अज्ञातिकरण