如何方便地使用Python和Pandas来匿名信息!保护客户的敏感信息!
任务 我们的任务是准备一个数据集,以便以后能用于机器学习(例如分类,回归,聚类)而且不包含任何敏感信息。最终的数据集不应与原始数据集有太大差异,且应该反映原始数据集的分布。 动手开始吧! 我使用Jupyter notebook作为编程环境。首先,让我们引入所有必须的库。 加群:548377875 ??即可获取数十套PDF哦! 我假设您已熟悉此处使用的大多数库。我只想强调三件事。sklearn_pandas是一个方便的库,减少了使用两个包之间的差距。 sklearn_pandas: https://github.com/scikit-learn-contrib/sklearn-pandas 它提供了一个DataFrameMapper类,使得处理pandas.DataFrame更容易,因为它可以在更少的代码行中完成变量的编码转换。 我利用IPython.core.interactiveshell ...更改了Jupyter Notebook默认配置,用来显示多个输出。这里有一篇很好的博文介绍了其他关于Jupyter的实用小技巧。 最后,我们将一些代码放入一个名为utils.py的文件中,我们把这个文件放在Notebook代码文件旁边。 Jupyter的实用小技巧: https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ df = pd.read_csv("../data/titanic_train.csv") 我们的分析采用Titanic Dataset的训练数据集。 数据集链接: https://www.kaggle.com/c/titanic df.shape df.head() 现在我们已经加载了数据,后面将删除所有可识别个人身份的信息。列[“PassengerId”,“Name”]包含此类信息。请注意,[“PassengerId”,“Name”]对于每一行都是唯一的,因此如果构建机器学习模型,无论如何都需要在后续删除它们。 同样对[“Ticket”,“Cabin”]列也进行类似的操作,因为这两列对于每一行几乎都是唯一的。 出于演示方便,我们不会处理缺失值。我们只是忽略所有包含缺失值的观察结果。 df.drop(columns=["PassengerId","Name"],inplace=True) # dropped because unique for every row df.drop(columns=["Ticket","Cabin"],inplace=True) # dropped because almost unique for every row df.dropna(inplace=True) 结果看起来像这样。 df.shape df.head() 接下来,为了剔除更多信息,并作为后续步骤的预处理,我们将对“Sexed”和“Embarked”进行数值编码转换。 “Sex”被编码为“0,1”,“Embarked”被编码为“0,1,2”。LabelEncoder()类为我们完成了大部分工作。 encoders = [(["Sex"],LabelEncoder()),(["Embarked"],LabelEncoder())] mapper = DataFrameMapper(encoders,df_out=True) new_cols = mapper.fit_transform(df.copy()) df = pd.concat([df.drop(columns=["Sex","Embarked"]),new_cols],axis="columns") DataFrameMapper来自sklearn_pandas包,接收元组(tuple)列表作为参数,其中元组的第一项是列名,第二项是转换器。 我们在这里使用LabelEncoder(),但也可以使用其它转换器(MinMaxScaler(),StandardScaler(),FunctionTransfomer())。 在最后一行中,我们将编码后的数据与其余数据连接起来。请注意,您也可以写axis = 1,但是axis =“columns”可读性更强,我鼓励大家使用后者。 df.shape df.head() df.nunique() 通过从同一分布中抽样来匿名化 上述代码我打印了每列的唯一值的取值个数。我们假设具有少于20个取值个数的是名义变量或分类变量,具有大于等于20个取值个数的都是连续变量。 我们将名义/分类变量放在一个列表中,将其它变量放在另一个列表中。 categorical = [] continuous = [] for c in list(df): col = df[c] nunique = col.nunique() if nunique < 20: categorical.append(c) else: continuous.append(c) for c in list(df): 迭代所有列。对于list(df),我们也可以写成df.columns.tolist()。我还是喜欢list(df)。 以下是本文的核心思想:对于每个分类变量,我们将计算其每项取值出现的频率,然后为每个取值创建具有相同频率的离散概率分布。 对于每个连续变量,我们将从预定义的分布列表中确定最佳连续分布。我们怎么做呢?一旦确定了所有概率分布(离散和连续),我们就可以从这些分布中进行采样以创建新的数据集。 处理名义/分类变量 这是一个简单的例子,只用三行代码。 for c in categorical: counts = df[c].value_counts() np.random.choice(list(counts.index),p=(counts/len(df)).values,size=5) 首先,我们确定变量中每个唯一值出现的频率。然后我们使用这个经验概率函数并将其传递给np.random.choice()以创建一个具有相同概率函数的新随机变量。 处理连续变量 幸运的是,StackOverflow上有一个类似问题的讨论。主要解决方案如下,对于每个连续变量做如下处理:
该解决方案的作者将所有内容整齐地分为两个函数。我创建了第三个函数并将所有内容放在一个名为utils.py的文件中,后面将在Jupyter Notebook中使用utils.py中定义的函数。 best_distributions = [] for c in continuous: data = df[c] best_fit_name,best_fit_params = best_fit_distribution(data,50) best_distributions.append((best_fit_name,best_fit_params)) # Result best_distributions = [ ('fisk',(11.744665309421649,-66.15529969956657,94.73575225186589)),('halfcauchy',(-5.537941926133496e-09,17.86796415175786))] Age的最佳分布是fisk,Fare的最佳分布是halfcauchy,让我们来看看结果。 plot_result(df,continuous,best_distributions 还不错哦。 把代码整合到一个函数中 def generate_like_df(df,categorical_cols,continuous_cols,best_distributions,n,seed=0): np.random.seed(seed) d = {} for c in categorical_cols: counts = df[c].value_counts() d[c] = np.random.choice(list(counts.index),size=n) for c,bd in zip(continuous_cols,best_distributions): dist = getattr(scipy.stats,bd[0]) d[c] = dist.rvs(size=n,*bd[1]) return pd.DataFrame(d,columns=categorical_cols+continuous_cols) 现在我们有了一个函数,可以用它来创建100个新的观测值。 gendf = generate_like_df(df,categorical,n=100) gendf.shape gendf.head() 作为后置处理步骤,还可以对连续变量进行取舍。我选择不这样做。我所做的是删除了所有列名,因为这也可能泄漏有关数据集的一些信息,简单地用0,2…替换它们。 gendf.columns = list(range(gendf.shape[1])) 最后,大功告成。 gendf.to_csv("output.csv",index_label="id") 总结 这种方法的一个缺点是变量之间的所有交互都丢失了。例如,假设在原始数据集中,女性(Sex= 1)存活的机会(Survived= 1)比男性(Sex= 0)高,而在生成的数据集中,这个信息丢失了,其它变量之间可能存在的关系也会丢失。 我希望你发现这篇文章有用,可以在文末留言区讨论。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |