差分隐私 python_差分隐私-Laplace机制（后附指数和laplace的java和python实现）

拉普拉斯分布函数

简答的添加噪音代码

x = [50,40,20,5]对该数据加噪音过程

实验结果

对大型数据添加噪音

对cui-adult中年龄添加噪音代码(上)

对cui-adult中年龄添加噪音代码(下)

实验结果保存在Laplace.txt里面，以下是几个示列的数据

39    39.714505630073205

50    50.871928963495805

38    36.2793067300975

53    52.387486292236474

28    28.53394331423312

37    36.24614965531006

49    48.748353755609635

52    50.97607294434157

31    30.699614037295827

42    42.32161492069531

37    38.47127372707609

30    30.174470642807

23    22.16667874751414

我们可以从后面数据当中推测不出前面数据，对整个数据的完整性不照成影响，但对个人数据隐私切到了保护作用，达到了隐私保护的目的

添加噪音前后数据的期望是不是基本上相同？print(sum(x2)/len(x2))print(sum(data)/len(data))

添加噪音前后数学期望

相关代码如下：以及一些相关实验：https://github.com/hlchengzi/2019/tree/master/DP_Learning。