该论文介绍了trasgoDP，一个模块化、开源且易于使用的Python框架，用于在ε-本地差分隐私（LDP）保证下发布表格微观数据，以及在地理不可区分性假设下发布位置数据。该框架设计为可以安装并集成到标准数据科学工作流中，支持系统地探索多种机制、数据类型和ε值下的隐私-效用权衡。虽然差分隐私在聚合数据上已得到广泛研究，但其在逐行微观数据发布方面的可复用软件工具仍相对欠缺，尤其是在度量隐私和位置数据方面。trasgoDP实现了针对数值和分类属性的本地差分隐私机制（拉普拉斯、高斯、指数和随机响应），以及用于位置数据的地理不可区分性机制。同时，该框架提供了一组效用度量指标，包括一种新颖的相关性损失度量，用于量化信息损失与分配的隐私预算之间的关系。本工作的目标是为研究社区提供一个可复现、开源的基线，用于在正式本地差分隐私保证下评估表格和位置数据发布方法。