声明

不提供任何下载，不提供任何指引，无需问我怎么得到，我不会回答。

前言

这个分析纯粹是我喜欢数据挖掘，周末闲来无事练一下手。

源文件

源文件是一个SQL Server数据库备份文件，从数据库“shifenzheng”完整备份，从服务器GHOSTSLC-6BBFCB备份，备份日期是2013/5/27 0:45:49  备份用户名叫anyi，备份数据库大小8030071808 (约7.5GB)。

^基本信息

1. 字段

数据库只有一个表，叫cdsgus。里面有姓名、身份证号码、性别、地址、国家、手机号码、电子邮件等数据，其它的如卡号、固话、传真、公司、教育、兴趣等基本上是残缺甚至没有的，甚至部分人的身份证号码也是错乱的，估计导入的时候没有处理好。

而每个字段都设为长度2000的nvarchar，相当蛋痛，相信这不是原始设计，而单纯是泄露后自行快速导入的产物。

2. 记录

里面有20050144条记录（2005万）。

3. 姓

取姓名的第一个字符做姓（不考虑复姓），有4644个性，最多是王，其次是张、李、刘、陈，似乎和中国的大姓吻合。有趣的是有人姓“色”、“糊”、“痕”、“&”、“@”、“π”(数学里面的pi)。。。相信是乱写的。

10大姓里面已经占了821万用户。

4. 性别

男性比女性多一倍。

5. 年龄段

剔除那些无效或不靠谱年龄，80后是主力，70后次之。90后只有60后的一半，貌似不科学。。。

5. 省份

省份数据基于身份证号码，部分用户使用的不是身份证号号码，部分用户提供了的数据不合法，我都一并剔除了。江苏、山东和浙江用户最多，相信是某某连锁酒店在这些地区网点最多。

6. 更多

其实我还可以分析一下如手机提供商（移动/电信/联通等）、登记时间的分布等，甚至多维如不同省份里的不同年龄段里的不同手机用户之类，不过颈椎病发作，强忍疼痛写了这篇博客，就此打住了，休息去。

后言

互联网时代，每天产生的数据越来越多，数据安全问题日益严重，譬如之前的CSDN个人信息泄露，还有几个大游戏网站的数据泄露，当然还有诸多没有公开，只是在某些组织内部流转的。

我的建议，保护好自己的个人信息，不要在网上随意填写敏感数据，譬如身份证等，尽可能不同服务使用不同密码并经常修改。电话号码等，如果非得要填写，填写一个备用号码（专门用来填写申请/注册用，可随便丢弃，不怕别人骚扰）。