expanded_insee = expand_insee(g, annuaire, avantages)
expanded_insee.columns = avantages.columns.tolist()
avantages_total = pd.concat([avantages, expanded_insee]).reset_index()
avantages_total = avantages_total.drop('index',1)
# === On anonymise (données enrichies) ===
Avantages_avec_insee = AnonymDataFrame(avantages_total.copy(), ordre_aggregation, unknown='non renseigné')
Avantages_avec_insee.local_transform(method_anonymisation, k, force_unknown='Forcer')
Avantages_avec_insee.df = Avantages_avec_insee.anonymized_df
table = Avantages_avec_insee.df[Avantages_avec_insee.df['ligne_type']=='[A]']
modalites_modifiees_avec_insee = (table.values != avantages_total[avantages_total['ligne_type']=='[A]'].values).sum()
modalites_intactes_avec_insee = (table.values == avantages_total[avantages_total['ligne_type']=='[A]'].values).sum()
## IV. Comparaison
# === On va maintenant comparer par variables le taux de remplacement ===
(avantages_kanonym[var[0]] != avantages[var[0]]).sum()
modif_par_var_1 = []
expanded_insee = expand_insee(g, annuaire, avantages)
expanded_insee.columns = avantages.columns.tolist()
avantages_total = pd.concat([avantages, expanded_insee]).reset_index()
avantages_total = avantages_total.drop('index', 1)
# === On anonymise (données enrichies) ===
Avantages_avec_insee = AnonymDataFrame(avantages_total.copy(),
ordre_aggregation,
unknown='non renseigné')
Avantages_avec_insee.local_transform(method_anonymisation,
k,
force_unknown='Forcer')
Avantages_avec_insee.df = Avantages_avec_insee.anonymized_df
table = Avantages_avec_insee.df[Avantages_avec_insee.df['ligne_type'] == '[A]']
modalites_modifiees_avec_insee = (
table.values !=
avantages_total[avantages_total['ligne_type'] == '[A]'].values).sum()
modalites_intactes_avec_insee = (table.values == avantages_total[
avantages_total['ligne_type'] == '[A]'].values).sum()
## IV. Comparaison
# === On va maintenant comparer par variables le taux de remplacement ===
(avantages_kanonym[var[0]] != avantages[var[0]]).sum()
modif_par_var_1 = []
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()
