数据文件ex.csv是关于200个不同年龄（age,定量变量）和性别（sex,定性变量，0和1分别代表女和男）的人对某项服务产品的观点（opinion，二水平定性变量，用1和0代表认可和不认可）的数据，将观点作为因变量，建立logistic模型加以分析，并预测一个年龄是30岁的女人对该项服务产品认可的可能性。

好的，我可以为您讲解如何使用 Python 进行 logistic 回归建模和预测。

首先，我们需要导入相关的 Python 库，比如 pandas, numpy 和 sklearn：

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression

然后，我们可以使用 pandas 读取数据文件 ex.csv：

df = pd.read_csv('ex.csv')

接着，我们需要将数据划分为训练集和测试集，以便评估模型的性能：

from sklearn.model_selection import train_test_split

X = df[['age', 'sex']]
y = df['opinion']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

在 logistic 回归模型中，我们需要将定性变量转换为哑变量（dummy variable）进行建模。可以使用 pandas 中的 get_dummies 函数来完成这个过程：

X_train = pd.get_dummies(X_train, columns=['sex'])
X_test = pd.get_dummies(X_test, columns=['sex'])

然后，我们就可以使用 sklearn 中的 LogisticRegression 模型进行拟合：

clf = LogisticRegression()
clf.fit(X_train, y_train)

建模完成后，我们可以使用模型对测试集进行预测，并计算模型的准确率：

y_pred = clf.predict(X_test)
accuracy = clf.score(X_test, y_test)
print("Accuracy:", accuracy)

最后，我们可以使用训练好的模型，对一个年龄为30岁、性别为女的人进行预测：

new_data = pd.DataFrame({'age': [30], 'sex': [0]})
new_data = pd.get_dummies(new_data, columns=['sex'])
prob = clf.predict_proba(new_data)[:, 1]
print("Probability of approval:", prob)

这里，我们将新的数据构建成一个 DataFrame，然后使用 get_dummies 函数将性别转化为哑变量。最后，我们使用 predict_proba 函数预测该人对该项服务产品认可的概率。