Windows删除文件的实现分析

Windows下删除文件的实现方式本质上有以下两种:
1. 使用FILE_DELETE_ON_CLOSE
   ZwCreateFile和IoCreateFile的 CreateOptions 参数可以通过使用FILE_DELETE_ON_CLOSE标志来实现删除文件的功能。顾名思义,使用此标志打开的文件在关闭时会删除该文件。
   如要在文件过滤驱动中判断是否设置了FILE_DELETE_ON_CLOSE标志,只需截获IRP_MJ_CREATE请求,通过pIrpStack->Parameters.Create.Options判断即可。
2.  使用FileDispositionInformation
   这种方式需要使用Native API ZwSetInformationFile,将最后一个参数 FileInformationClass设置为 FileDispositionInformation即可。ZwSetInformationFile的详细用法可参见DDK。Windows API中的DeleteFile就是使用这种方式实现删除文件功能的。
   如需要在文件过滤驱动中监视这种方式的删除文件,只需监视IRP_MJ_SET_INFORMATION请求,通过判断pIrpStack->Parameters.SetFile.FileInformationClass是否为 FileDispositionInformation且((PFILE_DISPOSITION_INFORMATION)Irp->AssociatedIrp.SystemBuffer)->DeleteFile是否为TRUE来判断是否是删除文件操作。
  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
链家二手房数据分析可以通过Python的数据分析库pandas、数据可视化库matplotlib和数据获取库requests来实现。以下是一个简单的数据分析流程: 1.获取数据:通过requests库获取链家二手房数据,并将数据保存为CSV文件。 ```python import requests import pandas as pd # 获取数据 url = 'https://bj.lianjia.com/ershoufang/' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'} r = requests.get(url, headers=headers) r.encoding = r.apparent_encoding # 将数据保存为CSV文件 df = pd.read_html(r.text)[0] df.to_csv('lianjia.csv', index=False) ``` 2.数据清洗:清洗数据,删除无用的列,处理缺失值和异常值。 ```python # 数据清洗 df = pd.read_csv('lianjia.csv') df.drop(['id', 'url', 'community', 'district'], axis=1, inplace=True) df.dropna(inplace=True) df = df[df['price'] > 0] ``` 3.数据分析:利用pandas进行数据统计分析,例如计算均价、面积占比、房源数量等。 ```python # 数据统计分析 print('二手房均价:{:.2f}万元'.format(df['price'].mean())) print('面积占比:\n{}'.format(df['area'].value_counts(normalize=True))) print('房源数量:\n{}'.format(df['district'].value_counts())) ``` 4.数据可视化:使用matplotlib进行数据可视化,例如绘制二手房均价和房源数量的柱状图、绘制面积分布的饼图等。 ```python import matplotlib.pyplot as plt # 绘制二手房均价和房源数量的柱状图 fig, ax = plt.subplots(1, 2, figsize=(12, 4)) df.groupby('district')['price'].mean().sort_values().plot(kind='barh', ax=ax[0]) ax[0].set_xlabel('Price (10K RMB)') df['district'].value_counts().plot(kind='barh', ax=ax[1]) ax[1].set_xlabel('Count') plt.tight_layout() plt.show() # 绘制面积分布的饼图 area_count = df['area'].value_counts(normalize=True).reset_index() area_count.columns = ['Area', 'Percentage'] area_count['Percentage'] = area_count['Percentage'].apply(lambda x: round(x * 100, 2)) plt.pie(area_count['Percentage'], labels=area_count['Area']) plt.title('Area Distribution') plt.show() ``` 通过以上流程,我们可以对链家二手房数据进行简单分析和可视化,获得一些有用的信息。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值