Datensätze anonymisieren mit k-Anonymität

Daten anonymisieren heißt, einen Datensatz so zu verändern, dass sich keine Zeile mehr einer einzelnen Person zuordnen lässt. Namen zu löschen reicht dafür oft nicht.

Eine Hochschule veröffentlicht eine Liste ohne Namen: Alter, Wohnbezirk, Studienfach und eine Note. Nur eine Person ist 19, wohnt im Bezirk Nord und studiert Physik. Wer das weiß, kennt ihre Note.

Ein Quasi-Identifikator ist ein Merkmal, das allein harmlos wirkt und erst in der Kombination eine Person verrät. Alter, Wohnbezirk und Studienfach sind drei solche Merkmale.

Wer die Liste und eine zweite Quelle hat, etwa ein Foto des Kurses, findet die Person. Am größten ist die Gefahr bei einer seltenen Kombination: Nur wenige Zeilen haben dieselben Werte.

Bilden Sie aus den gewählten Spalten Gleichheitsgruppen: alle Zeilen mit denselben Werten. Die kleinste Gruppe bestimmt das k. Ein Datensatz ist k-anonym, wenn jede Gruppe mindestens k Zeilen hat.

Bei k = 1 gibt es eine Person, die man findet. Je größer k, desto besser versteckt sich jede Person in einer Menge.

# Eine Kursliste ohne Namen: Alter und Bezirk
zeilen = [[19, "Nord"], [19, "Nord"], [20, "Nord"], [20, "Ost"], [21, "Ost"], [21, "Ost"]]
gruppen = {}
for zeile in zeilen:
    schluessel = str(zeile[0]) + " " + zeile[1]
    if schluessel in gruppen:
        gruppen[schluessel] = gruppen[schluessel] + 1
    else:
        gruppen[schluessel] = 1
for schluessel in gruppen:
    print(schluessel, gruppen[schluessel])
# Welche Gruppen haben nur eine Zeile? Die kleinste Zahl ist das k dieser Liste.

Auch hires.csv lässt sich so zählen. Die Zeilen sind Tage, keine Menschen, aber das Zählen ist dasselbe.

Der Befehl unten bildet Gruppen aus Monat, Wochentag und Wetter. Er gibt vier Zahlen aus: wie viele Gruppen es gibt und wie groß die kleinste ist. Dazu, wie viele nur einen Tag haben und wie viele weniger als drei.

docker exec jupyter python3 -c "import csv; z = list(csv.DictReader(open('hires.csv'))); n = {}; [n.update({(x['month'], x['weekday'], x['weather']): n.get((x['month'], x['weekday'], x['weather']), 0) + 1}) for x in z]; print('Gruppen:', len(n), 'kleinste:', min(n.values()), 'mit nur 1 Tag:', list(n.values()).count(1), 'unter 3 Tagen:', sum(1 for v in n.values() if v < 3))"

Haben zu viele Gruppen zu wenige Zeilen, machen Sie ein Merkmal gröber. Das heißt Verallgemeinern: Das Alter 19 wird zu „15 bis 19“, ein Bezirk wird zu einer Region.

Das hat einen Preis. Je gröber die Werte, desto weniger kann man mit den Daten anfangen. Wählen Sie die gröbste Stufe, die k erreicht, und keine gröbere.

Bilden Sie in einem Notebook mit pandas Gruppen aus Wochentag und Wetter. Zählen Sie die Tage je Gruppe und nennen Sie das k der Tabelle. Wiederholen Sie es mit Monat, Wochentag und Wetter.

Wie verändert sich k, und warum? Schreiben Sie zwei Sätze zum Preis einer gröberen Tabelle.