训练样本是166组客户基础信息，包括职业，年龄，性别，手机入网时长，信用卡额度5个变量， 职业包含，房地产服务人员，工程技术人员，企事业单位负责人，有空值。 年龄包含，从18岁到60岁，有空值。 性别包含，M和F。 手机入网时长包含，半年至一年，二至六个月，两年至三年，三年以上，一个月以内，一年至两年，一至两个月。 信用卡额度包含，0-6K，6K-10K，10K-20K，20K-30K，30K-50K，50K以上，有空值。 是否涉案是因变量，1代表是，0代表否。即模型需要预测的结果。 请选择合适的变量，建立逻辑回归模型，将数据集拆分为训练集和测试集，预测新客户的风险情况。 提交python代码，需要输出模型的查准率，查全率，AUC，KS

首先，我们需要对数据进行预处理，包括空值的处理和类别变量的转换。我们可以使用pandas和sklearn进行处理。

import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv('data.csv')

# 处理空值
data = data.dropna()

# 类别变量转换
le = LabelEncoder()
data['职业'] = le.fit_transform(data['职业'])
data['性别'] = le.fit_transform(data['性别'])
data['手机入网时长'] = le.fit_transform(data['手机入网时长'])
data['信用卡额度'] = le.fit_transform(data['信用卡额度'])

# 拆分训练集和测试集
X = data.drop('是否涉案', axis=1)
y = data['是否涉案']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

接下来，我们可以使用sklearn中的逻辑回归模型进行建模，并进行训练。

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score, roc_curve

# 建立逻辑回归模型
lr = LogisticRegression()

# 模型训练
lr.fit(X_train, y_train)

# 模型预测
y_pred = lr.predict(X_test)

# 输出模型评估指标
print('查准率：', precision_score(y_test, y_pred))
print('查全率：', recall_score(y_test, y_pred))
print('AUC：', roc_auc_score(y_test, y_pred))
fpr, tpr, thresholds = roc_curve(y_test, y_pred)
print('KS：', max(tpr - fpr))

最后，我们可以得到模型的查准率、查全率、AUC和KS等评估指标，用于评估模型的表现。