6
如何转换机密数据集中的名称以使其匿名，但保留名称的某些特征？
动机 我使用的数据集包含个人身份信息（PII），有时需要与第三方共享数据集的一部分，以免暴露PII并使我的雇主承担责任。我们通常的做法是完全保留数据，或者在某些情况下降低其分辨率。例如，将确切的街道地址替换为相应的县或人口普查区。 这意味着即使第三方拥有更适合该任务的资源和专业知识，某些类型的分析和处理也必须在内部完成。由于未公开源数据，因此我们进行此分析和处理的方式缺乏透明度。结果，任何第三方执行QA / QC，调整参数或进行细化的能力可能都非常有限。 匿名机密数据 一项任务涉及在用户提交的数据中通过姓名识别个人，同时考虑到错误和不一致之处。私人可能在一个地方被记录为“戴夫”，而在另一地方被记录为“大卫”，商业实体可以具有许多不同的缩写，并且总是有一些错别字。我已经基于许多标准开发了脚本，这些标准确定两条具有不同名称的记录何时代表同一个人，并为其分配一个通用ID。 此时，我们可以通过保留名称并将其替换为该个人ID号来使数据集匿名。但这意味着接收者几乎没有关于例如比赛强度的信息。我们希望能够传递尽可能多的信息而不会泄露身份。 什么不起作用 例如，在保留编辑距离的同时能够加密字符串将是很棒的。这样，第三方可以执行自己的一些QA / QC，或选择自己进行进一步的处理，而无需访问（或可能进行反向工程）PII。也许我们在内部将编辑距离<= 2的字符串匹配起来，接收者想看看收紧该公差以编辑距离<= 1的含义。 但是我所熟悉的唯一做到这一点的方法是ROT13（更一般地说，是任何移位密码），它几乎不算作加密。就像颠倒地写下名字，然后说：“保证您不会把纸翻过来吗？” 另一个不好的解决办法是简化所有内容。“艾伦·罗伯茨”变成“ ER”，依此类推。这是一个较差的解决方案，因为在某些情况下，姓名缩写与公共数据结合会透露一个人的身份，而在另一些情况下，则太含糊了；“本杰明·奥赛罗·埃姆斯”和“美国银行”将使用相同的首字母缩写，但名称不同。因此，它无法满足我们的任何需求。 另一个不错的选择是引入其他字段来跟踪名称的某些属性，例如： +-----+----+-------------------+-----------+--------+ | Row | ID | Name | WordChars | Origin | +-----+----+-------------------+-----------+--------+ | 1 | 17 | "AMELIA BEDELIA" | (6, 7) | Eng | +-----+----+-------------------+-----------+--------+ | 2 | 18 | …