训练样本是100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，是否涉案是因变量，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，预测新客户的风险情况。请提交python代码，需要输出模型的KS值

根据问题描述，我们可以将职业、年龄、性别、手机入网时长、信用卡额度作为自变量，是否涉案作为因变量，建立逻辑回归模型。以下是代码实现：

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score

# 读取数据
data = pd.read_csv('data.csv')

# 将性别变量转换为0和1
data['性别'] = data['性别'].map({'男': 0, '女': 1})

# 将职业变量转换为虚拟变量
data = pd.get_dummies(data, columns=['职业'])

# 将数据分为训练集和测试集
train = data.sample(frac=0.8, random_state=1)
test = data.drop(train.index)

# 将自变量和因变量分开
X_train = train[['年龄', '性别', '手机入网时长', '信用卡额度', '职业_医生', '职业_教师']]
y_train = train['是否涉案']
X_test = test[['年龄', '性别', '手机入网时长', '信用卡额度', '职业_医生', '职业_教师']]
y_test = test['是否涉案']

# 建立逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测测试集的结果
y_pred = model.predict_proba(X_test)[:, 1]

# 计算模型的KS值
ks = roc_auc_score(y_test, y_pred)

print('模型的KS值为：', ks)

其中，数据文件为`data.csv`，包含100组客户基础信息，示例数据如下：

职业,年龄,性别,手机入网时长,信用卡额度,是否涉案
医生,35,男,24,50000,0
教师,28,女,36,20000,0
...

代码中，我们首先对数据进行预处理，将职业变量转换为虚拟变量，将性别变量转换为0和1。然后将数据分为训练集和测试集，建立逻辑回归模型，并预测测试集的结果。最后，计算模型的KS值并输出。