调用sklearn库实现对乳腺癌数据的分类，采用逻辑回归分类方法，并计算以下性能评价指标：平均精确率、AUC，并绘制PR曲线与ROC曲线。

好的，我会尽力回答你的问题。首先，我们需要导入相应的库和数据集。

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, roc_auc_score, roc_curve, \
    precision_recall_curve
import matplotlib.pyplot as plt

# 加载乳腺癌数据
data = load_breast_cancer()
X = data.data
y = data.target

接下来，我们将数据集拆分为训练集和测试集，并使用逻辑回归分类器进行分类。

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用逻辑回归分类器进行分类
clf = LogisticRegression()
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)

然后，我们可以计算平均精确率和AUC。

# 计算平均精确率
precision = precision_score(y_test, y_pred)
print("平均精确率：", precision)

# 计算AUC
y_prob = clf.predict_proba(X_test)[:, 1]
auc = roc_auc_score(y_test, y_prob)
print("AUC：", auc)

最后，我们可以绘制PR曲线和ROC曲线。

# 绘制PR曲线
precision, recall, _ = precision_recall_curve(y_test, y_prob)
plt.figure()
plt.step(recall, precision, color='b', alpha=0.2, where='post')
plt.fill_between(recall, precision, step='post', alpha=0.2, color='b')
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.ylim([0.0, 1.05])
plt.xlim([0.0, 1.0])
plt.title('Precision-Recall curve')

# 绘制ROC曲线
fpr, tpr, _ = roc_curve(y_test, y_prob)
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic')
plt.legend(loc="lower right")
plt.show()

这样，我们就完成了对乳腺癌数据的分类，并计算了性能评价指标和绘制了PR曲线和ROC曲线。