Анонімізація за допомогою узагальнення даних

Конфіденційність даних і анонімізація в Python

Rebeca Gonzalez

Data engineer

Узагальнення даних

Прийом, що дозволяє замінювати значення даних на менш точні.

Мета — прибрати частину ідентифікаторів, зберігши корисність даних для аналізу.

Дозволяє замінити значення на більш загальне: "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

Узагальнення даних

# 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-**-****

Ті, кому 34 роки, потрапляють у діапазон 30–50. Це також називають біннінгом.

Агрегація даних

Зображення: ліворуч перелік професій, праворуч — відповідні загальні категорії.

Медичний набір даних

# 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

Медичний набір даних

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

Згенерована гістограма ознаки age з набору даних, створена методом hist

Узагальнення

# 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

Top та bottom coding

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

Згенерована гістограма ознаки age з набору даних, створена методом hist

Мало людей молодші за 25 і мало старші за 55
Задайте межі, щоб зменшити ризик повторної ідентифікації цих людей-«викидів»
Найкраще працює, коли спостережень у категорії дуже мало, особливо на хвостах розподілу

Top coding

# 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

Top code

# 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

Bottom coding

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

Підсумкова гістограма ознаки age після застосування top coding: праворуч немає викидів для найбільших значень

Bottom code

# 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)

Підсумкова гістограма ознаки age після застосування top і bottom coding: викиди відсутні

Узагальнення даних і моделі приватності

Краще працює разом із Suppression та Masking у межах моделі приватності на кшталт K-anonymity.

Задайте умови, яких має дотримуватися набір даних, щоб контролювати ризик розкриття.

У наступному розділі ми навчимося реалізовувати цю модель приватності!

Час попрактикуватися!

Конфіденційність даних і анонімізація в Python