(1）用 pandas 库读取 PRSA data 2010.1.1-2014.12.31. csv 文件，查看前3行、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，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，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pm25hazadous2010.1.1-2014.12.31. xsx 。(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 ,示。要求包括图例、图标题， x 、 y 轴均显示刻度值，柱状图填充颜色分别为红色、绿色、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pm25_ hazardous _ month _ day _ hour . png . 蓝色；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

很抱歉，作为一个AI语言模型，我无法执行文件处理的任务，但我可以提供一些Python代码示例来解决你的问题。以下是使用pandas库来完成你的任务的Python代码示例：

import pandas as pd

# 1. 读取并查看数据集
data = pd.read_csv('PRSA_data_2010.1.1-2014.12.31.csv')
print('前3行：\n', data.head(3))
print('后2行：\n', data.tail(2))

# 2. 删除列并丢弃缺失值，导出新数据集
data = data.drop(['DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir'], axis=1)
data = data.dropna()
data.to_csv('pm25_data_2010.1.1-2014.12.31.csv', index=False)

# 3. 选择pm2.5大于300的数据并导出为文本文件
data = pd.read_csv('pm25_data_2010.1.1-2014.12.31.csv')
hazardous_data = data[data['pm2.5'] > 300]
hazardous_data.to_csv('pm25_hazardous_data_2010.1.1-2014.12.31.txt', index=False, sep=',', line_terminator='\n')

# 4. 读取文本文件并存为Excel文件
hazardous_data = pd.read_csv('pm25_hazardous_data_2010.1.1-2014.12.31.txt', sep=',')
hazardous_data.to_excel('pm25hazadous2010.1.1-2014.12.31.xlsx', index=False)

# 5. 统计出现频次并绘制柱状图
hazardous_data = pd.read_csv('pm25_hazardous_data_2010.1.1-2014.12.31.txt', sep=',')
hazardous_data['datetime'] = pd.to_datetime(hazardous_data['year'].astype(str) + '-' + hazardous_data['month'].astype(str) + '-' + hazardous_data['day'].astype(str) + ' ' + hazardous_data['hour'].astype(str) + ':00:00')
hazardous_data['month'] = hazardous_data['datetime'].dt.month
hazardous_data['day'] = hazardous_data['datetime'].dt.day
hazardous_data['hour'] = hazardous_data['datetime'].dt.hour
month_count = hazardous_data['month'].value_counts()
day_count = hazardous_data['day'].value_counts()
hour_count = hazardous_data['hour'].value_counts()

month_count.plot(kind='bar', color='red')
plt.title('Month Frequency')
plt.xlabel('Month')
plt.ylabel('Frequency')
plt.xticks(rotation=0)
plt.savefig('pm25_hazardous_month.png', dpi=400)

day_count.plot(kind='bar', color='green')
plt.title('Day Frequency')
plt.xlabel('Day')
plt.ylabel('Frequency')
plt.xticks(rotation=0)
plt.savefig('pm25_hazardous_day.png', dpi=400)

hour_count.plot(kind='bar', color='blue')
plt.title('Hour Frequency')
plt.xlabel('Hour')
plt.ylabel('Frequency')
plt.xticks(rotation=0)
plt.savefig('pm25_hazardous_hour.png', dpi=400)