case02（匿名加工情報）: 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、具体的な処理に落とし込みます。実際の Python コードと実行は ② Colab で。

主なルール

• 仮ID（34条3号）: 会員IDを、ランダムに割り当てた仮ID（例: A000001）へ1対1で置換し、加工後の顧客属性・購買履歴で共通に使う。元の会員IDと仮IDの対応表は保存しない（作れば連結符号になるため）。
• 年代7区分（5号措置／4号）: 基準日で年齢を算出し「20歳未満／20代／30代／40代／50代／60代／70歳以上」に丸める。超高齢者は「70歳以上」に吸収される（＝特異値のトップコーディング）。
• 住所 → 市区郡（5号措置）: 「都道府県 + 市区郡」まで残し、町名・丁目番地を削除。
• 利用日時 → 分単位（5号措置）: 秒を削除（YYYY-MM-DD HH:MM）。
• 商品名 → 商品カテゴリ（4号）: 商品名をカテゴリ（野菜・果物・精肉・鮮魚・米・穀物・惣菜・パン・飲料・菓子・調味料）に一般化。限定品・超高級品もカテゴリに吸収され、特異性が消える。
• 数量のトップコーディング（4号）: しきい値（例: 5）を超える数量は「5」に丸める（大量購入の特異性を除去）。
• 金額 → 金額区分（4号）: 〜499／500〜999／1,000〜1,999／2,000〜4,999／5,000円以上 の区分に丸める。超高額は「5,000円以上」に吸収（トップコーディング）。
• 削除: 氏名・電話番号・店舗ID・取引ID・担当者ID・商品ID・（内部の明細ID）。

加工仕様一覧（列ごとの処理）

元テーブル	元項目	加工	処理	加工後
customers	会員ID	置換	仮ID対応を作り置換	仮ID
customers	氏名・電話番号	削除	列削除	―
customers	生年月日	一般化	基準日で年齢→年代7区分	年代
customers	性別	加工なし	そのまま	性別
customers	住所	一般化	市区郡まで抽出	市区郡
transactions	会員ID	置換	仮ID対応で置換	仮ID
transactions	利用日時	一般化	秒を削除	利用日時（分）
transactions	店舗名	加工なし	そのまま	店舗名
transactions	店舗ID・担当者ID・取引ID	削除	列削除	―
purchases	商品名	一般化	カテゴリへ	商品カテゴリ
purchases	数量	丸め	しきい値でトップコーディング	数量
purchases	金額	丸め	区分へ	金額区分
purchases	明細ID・商品ID	削除	列削除	―

• 加工後の連結: 加工後の顧客属性・購買履歴は仮IDで結合し、「属性 × 購買傾向」を分析する（取引の粒度は保つが、取引IDは残さない）。

→ 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）。