脱敏算法—age脱敏

对年龄进行脱敏的方法有以下几种：

1. 年龄分组脱敏：将年龄按照一定的区间进行分组，例如0-10岁、11-20岁等，然后将实际年龄替换为对应的分组标识，如"A组"、"B组"等。

2.年龄区间：将具体的年龄转化为一个区间，例如将25岁转化为20-30岁。

3. 年龄替换脱敏：将实际年龄进行模糊化处理，例如将具体的年龄转换为年龄段，如"青少年"、"中年"、"老年"等。

4.年龄模糊化：将年龄进行模糊化处理，例如将具体的年龄四舍五入到最近的十位数，例如将27岁模糊化为30岁。

5. 年龄随机化脱敏：将实际年龄随机替换为一个在一定范围内的随机数，保持数据的统计特性。

6. 年龄哈希脱敏：使用哈希算法对实际年龄进行加密处理，将加密后的结果作为脱敏后的年龄。

7. 年龄加减法脱敏：对实际年龄进行加减法操作，例如随机加减一个固定的值，使得脱敏后的年龄与实际年龄相差不超过一定范围。

8. 年龄伪造脱敏：将实际年龄替换为一个与实际年龄相似但不准确的年龄，例如将年龄加上一个随机的偏移量。

年龄替换脱敏 

#import xlwt  # 先安装pip install
import datetime  # 注意一定要用datetime package
import pandas as pd

def age_desensitization(data):
    age_mapping = {
        '0-18': '少年',
        '19-30': '青年',
        '31-45': '中年',
        '46-60': '中老年',
        '61+': '老年'
    }

    for i in range(len(data)):
        age = data[i]
        if age <= 18:
            data[i] = age_mapping['0-18']
        elif age <= 30:
            data[i] = age_mapping['19-30']
        elif age <= 45:
            data[i] = age_mapping['31-45']
        elif age <= 60:
            data[i] = age_mapping['46-60']
        else:
            data[i] = age_mapping['61+']


df = pd.read_csv('D://Codes/data set/data_wuliu.csv', encoding="utf-8",sep=',')
print(df.head())
#测试数据列
ages = df['age']
# 脱敏处理
age_desensitization(ages)
# 打印脱敏后的数据
#print(ages)
print(df)

# 保存文件
#df.to_excel('D://Codes/data set/data_wulius.xlsx', index=False)
'''
 中老年  
 中年    
 中老年
'''

年龄区间脱敏与年龄分组脱敏 只需要改变一下下面的分组命名，逻辑是一样的。

    age_mapping = {
        '0-18': '[0,1]',
        '19-30': '[19,30]',
        '31-45': '[31,45]',
        '46-60': '[46,60]',
        '61+': '[61+]'
    }
'''
 [46,60]   
 [31,45]  
 [46,60] 
'''

年龄模糊化

import pandas as pd
df = pd.read_csv('D://Codes/data set/data_wuliu.csv', encoding="utf-8",sep=',')
print(df.head())

age_list = df['age']
# 遍历替换 调用函数
for i in range(len(age_list)):
    age1 = age_list[i]
    #round()对数字进行四舍五入
    #把整个数字看做数轴,小数点是原点,参数的数字对应哪一位就对那一位上的数字四舍五入
    age = round(age1,-1) 
    age_list[i] = age
print(df)
'''
50
40
50
'''

年龄随机化

#使用随机函数，指定一个范围内
age = random.randint(20, 60)