对USER_INFO_M.csv预处理：查找并删除重复数据；删除MANU_NAME，MODEL_NAME，OS_DESC3个属性；每一行数据为一个客户信息，处理缺失值与异常值。 （2）对客户的CUST_SEX、CERT_AGE、INNET_MONTH、AGREE_EXP_DATE、IS_AGREE、CREDIT_LEVEL进行分析。 通过K-Means聚类把用户分成5类，并进行模型评价。

好的，那么我会给出新的Python代码来回答你的问题：

import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score

# 读取数据集
data = pd.read_csv('USER_INFO_M.csv')

# 删除重复数据
data.drop_duplicates(inplace=True)

# 删除不需要的列
data.drop(['MANU_NAME', 'MODEL_NAME', 'OS_DESC'], axis=1, inplace=True)

# 将每行数据处理为一个客户信息
data = data.groupby(['USER_ID']).agg('sum').reset_index()

# 处理缺失值和异常值
data.replace('NULL', np.nan, inplace=True)
data.dropna(inplace=True)
data = data[data['INNET_MONTH'] >= 0]

# 分析客户的特征
features = ['CUST_SEX', 'CERT_AGE', 'INNET_MONTH', 'AGREE_EXP_DATE', 'IS_AGREE', 'CREDIT_LEVEL']
X = data[features]

# 对客户进行聚类
kmeans = KMeans(n_clusters=5)
kmeans.fit(X)

# 模型评价
score = silhouette_score(X, kmeans.labels_, metric='euclidean')
print(score)

这段代码中，我们使用了pandas库来读取、处理数据集。首先，我们使用drop_duplicates()函数删除重复数据；然后，使用drop()函数删除不需要的列；接着，使用groupby()函数将每行数据处理为一个客户信息；最后，使用replace()和dropna()函数处理缺失值和异常值。

对于第二个问题，我们仍然分析了客户的CUST_SEX、CERT_AGE、INNET_MONTH、AGREE_EXP_DATE、IS_AGREE、CREDIT_LEVEL这6个特征，并使用K-Means聚类模型将客户分成5类。在这个例子中，我们使用了replace()函数将“NULL”替换成了缺失值，并使用dropna()函数删除缺失值；接着，使用条件语句删除了异常值。最后，我们使用轮廓系数（silhouette score）来评价模型的好坏。