case01（仮名加工情報）: 加工仕様 — 5/7

加工プロセス

1. 全体概要
2. データ概要理解
3. データ詳細理解
4. 加工設計
5. 加工仕様
6. 実装
7. 結果確認

加工の設計 の方針を、具体的な処理（どの列をどう変換するか）に落とし込みます。実際の Python コードと実行は ② Colab で。

3つのルール

• 年代への一般化: 基準日で年齢を算出し、一次情報（図表1-3）にならい「10代」「20代」…「70代」「80代以上」に区分（80歳以上は「80代以上」にまとめる）。
• 住所の一般化: 「都道府県 + 市区町村」まで残し、丁目・番地以降を削除。政令市は「◯◯市◯◯区」まで（例: 横浜市青葉区）。
• 整理番号: 会員IDと1対1で対応する整理番号（例: R000001）を付与し、顧客・購買・アクセスの3テーブルで同じ整理番号を使って個人単位の履歴結合を維持。元の会員IDは削除する。

加工仕様一覧（列ごとの処理）

No.	元テーブル	元項目	加工	処理	加工後
1	customers	会員ID	置換	会員ID→整理番号の対応表を作り置換	整理番号
2	customers	氏名	削除	列削除	―
3	customers	生年月日	一般化	基準日で年齢→10歳区切りの年代（80歳以上は「80代以上」）	年代
4	customers	性別	加工なし	そのまま	性別
5	customers	郵便番号	削除	列削除	―
6	customers	住所	一般化	市区町村まで抽出	市区町村
7	customers	携帯電話番号	削除	列削除	―
8	customers	電子メールアドレス	削除	列削除	―
9	customers	クレジットカード番号	削除	列削除	―
10	web_access	Cookie ID	削除	列削除	―
11	purchases/web_access	会員ID	置換	No.1 の対応表で整理番号へ	整理番号
12	purchases	購入年月日/品目/数量/金額	加工なし	そのまま	同左
13	web_access	アクセス日時/閲覧カテゴリ	加工なし	そのまま	同左

• 年齢 = 基準日の年 − 生年（基準日時点で算出）。

→ 加工後のスキーマは 加工後テーブル定義。実行は ② 実装（Colab）。