Anonimizar datos con k-anonimato

El k-anonimato es una regla para compartir datos de personas: cada combinación de datos debe repetirse en al menos k personas. Importa porque quitar el nombre no basta para que alguien sea irreconocible.

Un centro de salud quiere compartir sus datos con un equipo de investigación. Ha quitado los nombres. Pero solo hay un paciente de 52 años en el barrio Sur, y allí todos saben quién es.

Un nombre es un dato identificador. Quitarlo es el primer paso, pero no el último.

La edad, el barrio o el sexo no identifican a nadie por separado. Juntos sí pueden señalar a una sola persona: son cuasi-identificadores. Quien tenga otra lista, como un padrón, puede reidentificar la fila.

# Pacientes inventados: edad, barrio y enfermedad.
patients = [
    [23, "Norte", "asma"], [27, "Norte", "gripe"], [25, "Norte", "asma"],
    [34, "Norte", "diabetes"], [38, "Norte", "gripe"], [41, "Centro", "asma"],
    [45, "Centro", "gripe"], [43, "Centro", "diabetes"], [47, "Centro", "asma"],
    [52, "Sur", "gripe"], [29, "Sur", "asma"], [26, "Sur", "diabetes"],
]

sizes = {}
for patient in patients:
    # Un grupo es una edad y un barrio.
    group = str(patient[0]) + " " + patient[1]
    if group in sizes:
        sizes[group] = sizes[group] + 1
    else:
        sizes[group] = 1

alone = 0
for group in sizes:
    if sizes[group] == 1:
        alone = alone + 1
print("grupos:", len(sizes), "grupos con una sola persona:", alone)
# Cambia la edad a tramos: str(patient[0] // 10 * 10) en lugar de str(patient[0]).
# ¿Cuántos grupos quedan con una sola persona?

El k-anonimato mira los grupos. Un grupo son las filas que comparten la misma combinación de cuasi-identificadores. Con k = 3, cada persona se confunde con al menos otras dos.

Si un grupo tiene menos de k filas, esa combinación es demasiado rara y señala a alguien.

docker exec jupyter python3 -c "print(sum(1 for c in __import__('collections').Counter((r['month'], r['weekday']) for r in __import__('csv').DictReader(open('hires.csv'))).values() if c < 3))"

Cada fila de hires.csv es un día, no una persona. Aun así sirve para ver el efecto. Con el mes y el día de la semana hay 84 grupos y ninguno tiene menos de 3 días: sale 0.

Si añades el tiempo, los grupos se reparten en más trozos. El comando de abajo cuenta cuántos tienen menos de 3 días: 166.

docker exec jupyter python3 -c "print(sum(1 for c in __import__('collections').Counter((r['month'], r['weekday'], r['weather']) for r in __import__('csv').DictReader(open('hires.csv'))).values() if c < 3))"

Para llegar a k hay dos herramientas. Generalizar es dar un dato menos exacto: la edad en tramos de diez años. Suprimir es quitar la fila o el dato que no encaja.

Las dos pierden detalle. Cuanto mayor es k, más protegidas están las personas y menos sirven los datos para investigar. Hay que elegir un equilibrio y explicarlo.

Un grupo grande puede revelar algo si todos son iguales en un dato. Si las 4 personas de un grupo tienen asma, quien sepa que alguien está en ese grupo sabe que tiene asma.

Por eso se mira también qué varía dentro de cada grupo, y se decide quién recibe los datos.