def transfo_0(x):
return transfo.local_aggregation(x, 5, 'with_closest', unknown='')
def transfo_1(x):
return transfo.local_aggregation(x, 5, 'regroup_with_smallest', unknown='')
list_transfo = [('ident_0', transfo_0), ('ident_1', transfo_0),
('ident_2', transfo_0), ('ident_3', transfo_0)]
list_transfo2 = [('ident_0', transfo_1), ('ident_1', transfo_0),
('ident_2', transfo_0)]
transfo1 = test.transform(list_transfo)
transfo2 = test.local_transform(list_transfo, 5)
transfo1 = test.transform([])
from anonymizer.comparison import batterie_de_test
anonymisation1 = test.transform(list_transfo)
anonymisation2 = test.transform(list_transfo2)
batterie_de_test(anonymisation1, anonymisation2)
xxx
anonymisation1 = test.transform(list_transfo)
anonymisation2 = test.transform(list_transfo)
batterie_de_test(anonymisation1, anonymisation2)
k = 5
def aggregation_serie(x):
return (local_aggregation(x, k, 'regroup_with_smallest', 'non renseigné'))
def aggregation_year(x):
return (local_aggregation(x, k, 'with_closest', 'non renseigné'))
method_anonymisation = [
(name, aggregation_serie) for name in ordre_aggregation[:-1]
] + [('date', aggregation_year)]
Avantages.local_transform(method_anonymisation, k)
modalites_modifiees = (Avantages.anonymized_df.values !=
avantages.values).sum()
modalites_intactes = (Avantages.anonymized_df.values == avantages.values).sum()
# ## II. Chargement des données INSEE
# construction d'un dictionnaire reliant les professions (INSEE) aux professions (Transparence Santé)
annuaire = {
'Médecin omnipraticien': ['benef_specialite_code', '[SM54]'],
'Spécialiste en cardiologie': ['benef_specialite_code', '[SM04]'],
'Spécialiste en dermatologie vénéréologie':
['benef_specialite_code', '[SM15]'],
'Spécialiste en gynécologie médicale': ['benef_specialite_code', '[SM19]'],
'benef_pays_code',
'benef_titre_code',
'benef_identifiant_type_code']
Avantages = AnonymDataFrame(avantages.copy(), ordre_aggregation, unknown='non renseigné')
k = 5
def aggregation_serie(x):
return(local_aggregation(x, k, 'regroup_with_smallest', 'non renseigné'))
def aggregation_year(x):
return(local_aggregation(x, k, 'with_closest', 'non renseigné'))
method_anonymisation = [(name, aggregation_serie) for name in ordre_aggregation[:-1]] + [('date', aggregation_year)]
Avantages.local_transform(method_anonymisation, k)
modalites_modifiees = (Avantages.anonymized_df.values != avantages.values).sum()
modalites_intactes = (Avantages.anonymized_df.values == avantages.values).sum()
# ## II. Chargement des données INSEE
# construction d'un dictionnaire reliant les professions (INSEE) aux professions (Transparence Santé)
annuaire = {'Médecin omnipraticien' : ['benef_specialite_code', '[SM54]'],
'Spécialiste en cardiologie' : ['benef_specialite_code', '[SM04]'],
'Spécialiste en dermatologie vénéréologie' : ['benef_specialite_code', '[SM15]'],
'Spécialiste en gynécologie médicale' : ['benef_specialite_code', '[SM19]'],
'Spécialiste en gynécologie obstétrique' : ['benef_specialite_code', '[SM20]'],
test.get_l()
def transfo_0(x):
return transfo.local_aggregation(x, 5, 'with_closest', unknown='')
def transfo_1(x):
return transfo.local_aggregation(x, 5, 'regroup_with_smallest', unknown='')
list_transfo = [('ident_0', transfo_0), ('ident_1', transfo_0),
('ident_2', transfo_0), ('ident_3', transfo_0)]
list_transfo2= [('ident_0', transfo_1), ('ident_1', transfo_0),
('ident_2', transfo_0)]
transfo1 = test.transform(list_transfo)
transfo2 = test.local_transform(list_transfo, 5)
transfo1 = test.transform([])
from anonymizer.comparison import batterie_de_test
anonymisation1 = test.transform(list_transfo)
anonymisation2 = test.transform(list_transfo2)
batterie_de_test(anonymisation1, anonymisation2)
xxx
anonymisation1 = test.transform(list_transfo)
anonymisation2 = test.transform(list_transfo)
batterie_de_test(anonymisation1, anonymisation2)
len(liste_races)
# ## II. Anonymisation
# On définit les variables à anonymiser
ordre_aggregation = ['Race',
'Sexe',
'Robe',
'Pays de naissance',
'Destiné à la consommation humaine',
'Date de naissance']
Equides = AnonymDataFrame(equides, ordre_aggregation, unknown='non renseigné')
def aggregation_serie(x):
return(local_aggregation(x, 5, 'regroup_with_smallest', 'non renseigné'))
method_anonymisation = [(name, aggregation_serie) for name in ordre_aggregation[:-1]]
def aggregation_year(x):
return(local_aggregation(x, 5, 'with_closest', 'non renseigné'))
method_anonymisation += [('Date de naissance', aggregation_year)]
Equides.local_transform(method_anonymisation, 5)
Equides.df = Equides.anonymized_df
Equides.get_k()
