sklearn库自带的乳腺癌数据集记录有569行数据，对应记录了30个特征，以及乳腺癌分类，部分说明如下表。 请基于乳腺癌数据，编写Python代码完成下列操作。 （1）使用sklearn库加载乳腺癌数据集（breast_cancer）存为cancer，将特征数据存为data，标签数据存为label。（4分） （2）将特征数据和标签数据划分成训练集和测试集，训练集和测试集的样本数比例为8:2，并将训练集数据、测试集数据、训练集标签数据和测试集标签数据分别存为data_train、data_test、label_train和label_test。（4分） （3）导入逻辑回归函数LogisticRegression构建逻辑回归模型，存为lr，并进行模型训练。（5分） （4）对测试集数据进行预测，预测结果存为test_pred，并打印查看结果。（3分） （5）导入numpy库，计算模型预测测试集的准确率，并打印查看结果。（4分）

下面是代码实现：

# 导入sklearn库中的乳腺癌数据集
from sklearn.datasets import load_breast_cancer
# 导入sklearn库中的train_test_split函数，用于数据集划分
from sklearn.model_selection import train_test_split
# 导入逻辑回归函数
from sklearn.linear_model import LogisticRegression
# 导入numpy库
import numpy as np

# 加载乳腺癌数据集
cancer = load_breast_cancer()
# 获取特征数据
data = cancer.data
# 获取标签数据
label = cancer.target

# 将特征数据和标签数据划分成训练集和测试集，训练集和测试集的样本数比例为8:2
data_train, data_test, label_train, label_test = train_test_split(data, label, test_size=0.2, random_state=42)

# 构建逻辑回归模型
lr = LogisticRegression()
# 进行模型训练
lr.fit(data_train, label_train)

# 对测试集数据进行预测
test_pred = lr.predict(data_test)
# 打印预测结果
print(test_pred)

# 计算模型预测测试集的准确率
accuracy = np.mean(test_pred == label_test)
# 打印准确率
print("准确率为：", accuracy)

注：以上代码中的 `random_state` 参数用于设置随机种子，保证每次运行的结果一致。