生蚝: （1）用pandas 库读取 PRSA_ data 2010.1.1-2014.12.31.csx 文件，查看前3行、后2行。 (2) 刪除列 DEWP、TEMP、PRES、cbwd、Iws、Is、Ir,并将剰余列用 pandas 数据 预处理模块将缺失值丢弃处理，导出到新的csV 文件 pm25_ data 2010.1.1-2014.12.31.csv。 (3）利用pandas 库读取新的数据集 pm25_ data 2010.1.1-2014.12.31.csv，并选择字段 pm2.5 大子300 的所有数据集，昇出力文本文件 pm25_hazardous_data_2010.1.1-2014. 12.31.txt，要求数据之间用逗号分隔，每行末尾包含换行符。 (4）读取文本文件 pm25_hazardous_ data_ 2010.1.1-2014.12.31.txt 并转存到 Excel 文件 pm25_hazardous_data_ 2010.1.1-2014.12.31.xlsx # 生蚝: （5）重新读取文本文件读取文本文件 pm25_ hazardous_ data 2010.1.1-2014.12.31.txt，分别统计出现最多的month、 day、hour， 并将 month、 day、hour 的出现频次用柱状图显示。要求包括图例、图标题，xy轴均显示刻度值，柱状图填充颜色分别为红色、绿色、蓝色；并将结果保存为 png 图片保存，分辦率为 400 dpi，png 图片命名分别为 pm25 hazardous_ month_ day hour.png。

我可以帮您解决关于Python的问题，但是您提出的问题涉及到数据处理和可视化，需要使用Python的相关库进行实现。以下是您提出的问题的解答：

（1）读取 PRSA_ data 2010.1.1-2014.12.31.csx 文件并查看前3行、后2行代码：

import pandas as pd

data = pd.read_csv('PRSA_data_2010.1.1-2014.12.31.csv')
print(data.head(3))  # 查看前3行
print(data.tail(2))  # 查看后2行

（2）删除列 DEWP、TEMP、PRES、cbwd、Iws、Is、Ir，并将剩余列用 pandas 数据预处理模块将缺失值丢弃处理，并导出到新的 csv 文件 pm25_ data 2010.1.1-2014.12.31.csv。

data = data.drop(columns=['DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir'])
data = data.dropna()  # 删除缺失值
data.to_csv('pm25_data_2010.1.1-2014.12.31.csv', index=False)  # 导出为新的 csv 文件

（3）选择字段 pm2.5 大于300的所有数据集，导出为文本文件 pm25_hazardous_data_2010.1.1-2014.12.31.txt。

hazardous_data = data[data['pm2.5'] > 300]
hazardous_data.to_csv('pm25_hazardous_data_2010.1.1-2014.12.31.txt', sep=',', index=False, header=False, line_terminator='\n')

（4）将文本文件 pm25_hazardous_data_2010.1.1-2014.12.31.txt 转存到 Excel 文件 pm25_hazardous_data_2010.1.1-2014.12.31.xlsx。

hazardous_data = pd.read_csv('pm25_hazardous_data_2010.1.1-2014.12.31.txt', header=None)
hazardous_data.to_excel('pm25_hazardous_data_2010.1.1-2014.12.31.xlsx', index=False, header=False)

（5）重新读取文本文件 pm25_hazardous_data_2010.1.1-2014.12.31.txt，分别统计出现最多的 month、day、hour，并将 month、day、hour 的出现频次用柱状图显示，并将结果保存为 png 图片保存，分辨率为 400 dpi，png 图片命名分别为 pm25_hazardous_month_day_hour.png。

import matplotlib.pyplot as plt

hazardous_data = pd.read_csv('pm25_hazardous_data_2010.1.1-2014.12.31.txt', header=None, names=['year', 'month', 'day', 'hour', 'pm2.5'])
month_count = hazardous_data['month'].value_counts()
day_count = hazardous_data['day'].value_counts()
hour_count = hazardous_data['hour'].value_counts()

fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 5))
month_count.plot(kind='bar', ax=ax1, color='r')
ax1.set_xlabel('Month')
ax1.set_ylabel('Frequency')
ax1.set_title('PM2.5 Hazardous Month Count')
ax1.set_xticklabels(month_count.index, rotation=0)

day_count.plot(kind='bar', ax=ax2, color='g')
ax2.set_xlabel('Day')
ax2.set_ylabel('Frequency')
ax2.set_title('PM2.5 Hazardous Day Count')
ax2.set_xticklabels(day_count.index, rotation=0)

hour_count.plot(kind='bar', ax=ax3, color='b')
ax3.set_xlabel('Hour')
ax3.set_ylabel('Frequency')
ax3.set_title('PM2.5 Hazardous Hour Count')
ax3.set_xticklabels(hour_count.index, rotation=0)

plt.savefig('pm25_hazardous_month_day_hour.png', dpi=400)