靈感之源 <BR> <b><a rel="nofollow noopener" href="http://www.xnlab.com"><font color=red style="font-size:32">新產品發(fā)布：智能網(wǎng)絡資源系統(tǒng)</font></a></b>

聲明

不提供任何下載，不提供任何指引，無需問我怎么得到，我不會回答。

前言

這個分析純粹是我喜歡數(shù)據(jù)挖掘，周末閑來無事練一下手。

源文件

源文件是一個SQL Server數(shù)據(jù)庫備份文件，從數(shù)據(jù)庫“shifenzheng”完整備份，從服務器GHOSTSLC-6BBFCB備份，備份日期是2013/5/27 0:45:49  備份用戶名叫anyi，備份數(shù)據(jù)庫大小8030071808 (約7.5GB)。

^基本信息

1. 字段

數(shù)據(jù)庫只有一個表，叫cdsgus。里面有姓名、身份證號碼、性別、地址、國家、手機號碼、電子郵件等數(shù)據(jù)，其它的如卡號、固話、傳真、公司、教育、興趣等基本上是殘缺甚至沒有的，甚至部分人的身份證號碼也是錯亂的，估計導入的時候沒有處理好。

而每個字段都設為長度2000的nvarchar，相當?shù)巴矗嘈胚@不是原始設計，而單純是泄露后自行快速導入的產物。

2. 記錄

里面有20050144條記錄（2005萬）。

3. 姓

取姓名的第一個字符做姓（不考慮復姓），有4644個性，最多是王，其次是張、李、劉、陳，似乎和中國的大姓吻合。有趣的是有人姓“色”、“糊”、“痕”、“&”、“@”、“π”(數(shù)學里面的pi)。。。相信是亂寫的。

10大姓里面已經(jīng)占了821萬用戶。

4. 性別

男性比女性多一倍。

5. 年齡段

剔除那些無效或不靠譜年齡，80后是主力，70后次之。90后只有60后的一半，貌似不科學。。。

5. 省份

省份數(shù)據(jù)基于身份證號碼，部分用戶使用的不是身份證號號碼，部分用戶提供了的數(shù)據(jù)不合法，我都一并剔除了。江蘇、山東和浙江用戶最多，相信是某某連鎖酒店在這些地區(qū)網(wǎng)點最多。

6. 更多

其實我還可以分析一下如手機提供商（移動/電信/聯(lián)通等）、登記時間的分布等，甚至多維如不同省份里的不同年齡段里的不同手機用戶之類，不過頸椎病發(fā)作，強忍疼痛寫了這篇博客，就此打住了，休息去。

后言

互聯(lián)網(wǎng)時代，每天產生的數(shù)據(jù)越來越多，數(shù)據(jù)安全問題日益嚴重，譬如之前的CSDN個人信息泄露，還有幾個大游戲網(wǎng)站的數(shù)據(jù)泄露，當然還有諸多沒有公開，只是在某些組織內部流轉的。

我的建議，保護好自己的個人信息，不要在網(wǎng)上隨意填寫敏感數(shù)據(jù)，譬如身份證等，盡可能不同服務使用不同密碼并經(jīng)常修改。電話號碼等，如果非得要填寫，填寫一個備用號碼（專門用來填寫申請/注冊用，可隨便丟棄，不怕別人騷擾）。