Python 差分隐私代码示例：保护数据隐私

差分隐私是一种保护数据隐私的技术，可以通过添加噪音来保护敏感数据的隐私。下面是一个使用 Python 实现差分隐私的完整代码示例：

import numpy as np

# 定义差分隐私函数
def dp_query(data, epsilon):
    # 计算噪音的标准差
    sensitivity = 1.0
    noise_scale = sensitivity / epsilon
    
    # 生成随机噪音
    noise = np.random.normal(loc=0.0, scale=noise_scale, size=data.shape)
    
    # 添加噪音并返回结果
    return data + noise

# 测试差分隐私函数
data = np.array([1, 2, 3, 4, 5])
epsilon = 0.1
noisy_data = dp_query(data, epsilon)
print('原始数据：', data)
print('添加噪音后的数据：', noisy_data)

在以上代码中，我们首先定义了一个 dp_query 函数，该函数接受一个数据集和隐私参数 epsilon 作为输入，并返回添加噪音后的数据集。我们使用 np.random.normal 函数生成随机噪音，并使用 np.add 函数将噪音添加到数据集中。最后，我们使用 np.array 函数定义一个数据集并测试 dp_query 函数的效果。