匿名化数据/替换名称

Question

通常我会使用 hashlib 和 .apply(hash) 函数来匿名化我的数据。

现在我正在尝试一种新方法，假设我必须遵循名为 'data':

的 df

df = pd.DataFrame({'contributor':['eric', 'frank', 'john', 'frank', 'barbara'],
                   'amount payed':[10,28,49,77,31]})

  contributor  amount payed
0        eric            10
1       frank            28
2        john            49
3       frank            77
4     barbara            31

我想通过将名称全部变成 person1、person2 等来匿名化，如下所示：

output = pd.DataFrame({'contributor':['person1', 'person2', 'person3', 'person2', 'person4'],
                       'amount payed':[10,28,49,77,31]})

  contributor  amount payed
0     person1            10
1     person2            28
2     person3            49
3     person2            77
4     person4            31

所以我首先总结了 name 列，以便将名称附加到唯一索引，我可以将该索引用于 'person' 之后的数字。

Answer 1

也许尝试为此操作创建一个名为 "index" 的数据框并在其中保留唯一的 name 值？

然后生成具有唯一名称索引的掩码，并将生成的数据帧 index 与 data 合并。

index = pd.DataFrame()
index['name'] = df['name'].unique()
index['mask'] = index['name'].apply(lambda x : 'person' + 
str(index[index.name == x].index[0] + 1))

data.merge(index, how='left')[['mask', 'amount']]

Answer 2

我认为更快的解决方案是使用 factorize 作为唯一值，添加 1，转换为 Series 和 strings 并添加 Person 字符串：

df['contributor'] = 'Person' + pd.Series(pd.factorize(df['contributor'])[0] + 1).astype(str)
print (df)
  contributor  amount payed
0     Person1            10
1     Person2            28
2     Person3            49
3     Person2            77
4     Person4            31

Answer 3

labels, uniques =  pd.factorize(df['name'])
labels = ['person_'+str(l) for l in labels]
df['contributor_anonymized'] = labels

匿名化数据/替换名称

Anonymizing data / replacing names

hash

anonymize

pandas