sunDP-学习笔记1-基本函数介绍

*说明1：本文中的算法均来自
作者：DPer
链接：https://zhuanlan.zhihu.com/p/67761743
来源：知乎
GitHub：https://github.com/forestneo/sunDP
在此仅为学习记录
说明2：在python 中：

1. 不写过长的语句，需要时用“\”续航符，或圆括号将更多代码行括起来表示为一条语句
2. 使用“#”或者三引号"""注释，前者用于单行注释，后者用于大段说明文本的注释*

基本函数介绍

1. epsilon2probability(epsilon, n=2)
2. discretization(value, lower, upper)
3. perturbation(value, perturbed_value, epsilon)
4. random_response(value, epsilon)
5. random_response_adjust(sum, N, epsilon)

1.epsilon2probability

$p=\frac{e^x}{e^x+1}$

根据 ε 计算概率p，代码如下：

def epsilon2probability(epsilon, n=2):
    return np.e ** epsilon / (np.e ** epsilon + n - 1) 

说明：

numpy.exp()函数

exp：高等数学里以自然常数e为底的指数函数
numpy.exp()：返回e的幂次方，即$e^x$，e是一个常数为2.71828。
np.exp(1) 为$e$
np.exp(2) 为$e^2$
例如：

import numpy as np

print(np.exp(0))
print(np.exp(1))
print(np.exp(2))

原文链接：https://blog.csdn.net/duanlianvip/article/details/100102797

2. discretization

假如数据分布是0-100，现在有个数据是20，那么我们就以20%的概率输出0，以80%的概率输出1，这样可以保证期望不变。所以，假如我们想要将一个值value离散化到lower和upper，公式如下：

$p[upper]=\frac{value-lower}{upper-lower}$

为了知道返回lower还是upper，我们产生一个[0,1]的随机数r，如果r<p那么我们就返回lower即可。离散化的代码如下所示：

def discretization(value, lower, upper):
    """
    discretiza values
	:value：参数值:需要离散化的值
	:lower:参数下界，离散值的下界
	:upper:参数上界:离散值的上界
	:return:离散值
    """
    if value > upper or value < lower:
        raise Exception("the range of value is not valid in Function @Func: discretization")
        #抛出异常(“值的范围在函数@Func:discretization中无效”)

    p = (value - lower) / (upper - lower)
    rnd = np.random.random()
    return upper if rnd < p else lower

3.perturbation

输入值A，值B和 ε ，以较大概率返回值A，以较小概率返回B，概率由 ε 控制，实际上，这就是最基本的random response了。所以先根据 ε 计算概率，然后再由概率控制输出哪个值。算法如下：

def perturbation(value, perturbed_value, epsilon):
    """
 	扰动，(随机响应是扰动的一种)
    :param value: 原始值
    :param perturbed_value: 扰动参数（注：在random_response函数（异常处理函数）定义中perturbed_value=1-value）
    :param epsilon:隐私预算
    :return: dp version of perturbation
    """
    p = epsilon2probability(epsilon)
    rnd = np.random.random()
    #生成一个0到1的随机浮点数rnd: 0 <= rnd < 1.0
    return value if rnd < p else perturbed_value
    #如果rnd < p,则返回value，否则返回perturbed_value

np.random.random()函数

np.random.random((100, 20))
上面这个就代表生成100行 20列的浮点数，浮点数范围 : (0,1)。
参考博客：https://blog.csdn.net/kancy110/article/details/69665164/

额外说明：random.random() 和random.Random() 的区别
random.random()生成0和1之间的随机浮点数float，它其实是一个隐藏的random.Random类的实例的random方法。
random.Random() 生成random模块里得Random类的一个实例，这个实例不会和其他Random实例共享状态，一般是在多线程的情况下使用。

就是说直接用random.random()的时候，其实有一个隐藏生成的random.Random类的实例，也就是random.Random()。你自己可以试一下，random.random()和random.Random().random()作用是一样的。
原文链接：https://blog.csdn.net/u011318077/article/details/87868240

额外说明2

random.uniform(a, b) 生成一个指定范围内的随机符点数，两个参数其中一个是上限，一个是下限。如果a > b，则生成的随机数n: a <= n <= b。如果 a <b， 则 b <= n <= a。

random.randint(a, b)：生成一个指定范围内的整数。其中参数a是下限，参数b是上限，
生成的随机数n: a <= n <= b，注意：此处要求 a<=b

random.randrange(start, stop, step)：从指定范围内，按指定基数递增的集合中获取一个随机数。如：

 #产生一个0-10的随机数，其步长为2，即[0,2,4,6,8]，然后在随机取出一个随机数
print(random.randrange(0, 10, 2))

import numpy as np
#产生随机数组

#产生一个（0，1）之间的10维的随机数组
c = np.random.random(10)   
print(c)

#产生一个（0,1）之间的 3*4 的数组矩阵
#方法三;
d = np.random.random(size = (3,4))
print(d)

if-else 多种用法

a, b, c = 1, 2, 3
 
# 常规
def test1():
    if a>b:
        c = a
    else:
        c =b
    print c
 
# 表达式
def test2():
    c = a if a>b else b
    print c
 
# 二维列表
def test3():
    c = [b,a][a>b]
    print c
 
# 黑客用法
def test4():
    c = (a>b and [a] or [b])[0]
    print c
 
if __name__ == "__main__":
    test1()
    test2()
    test3()
    test4()
    
#以上四种输出结果都是一样的，都是2

参考文章：https://blog.csdn.net/ithomer/article/details/6065772

4.random_response

random response针对的是01变量，而不是特殊的值，所以可以有perturbation再封装一个函数。为了防止错误使用，加了一个筛选条件，如果不是01变量，那么会抛出一个异常。

def random_response(value, epsilon):
    if value not in [0, 1]:
        raise Exception("The input value is not in [0, 1] @Func: random_response")
    return perturbation(value=value, perturbed_value=1-value, epsilon=epsilon)
    
    '''perturbed_value=1-value ：因为针对的是01变量，value不是1就是0，所以perturbed_value就是与value相反，简单的1-value即可'''

5.random_response_adjust

该函数是用来对Random Response结果的反推，假如一共有N条数据，其中x个1，N-x个0，那么数据收集者应该收到多少个1呢？我们有这么个公式：

$M=x•p+(N-x)(1-p)$

所以对于收到的求和M我们可以根据这个公式估计出原来有多少个x，所以我把这个函数的名字取做Random response adjust，代码如下：

def random_response_adjust(sum, N, epsilon):  
  """ 
  对random response的结果进行校正
 	:param sum: 收到数据中1的个数
  	:param N: 总的数据个数
  	:return: 实际中1的个数    
  """
  	p = epsilon2probability(epsilon)   
  	#epsilon2probability函数是根据 ε 计算概率p，p是维持原有数据的概率
  	
 	return (sum + p*N - N) / (2*p - 1)

参考文章：
https://blog.csdn.net/ithomer/article/details/6065772
https://blog.csdn.net/mmh19891113/article/details/82114815
https://blog.csdn.net/huanhuan_Coder/article/details/80762208