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，我们需要导入需要的库和数据集：

# 导入需要的库和数据集
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, roc_auc_score, average_precision_score, precision_recall_curve, roc_curve
import matplotlib.pyplot as plt

# 加载数据集
data = load_breast_cancer()
X = data.data
y = data.target

接着，我们将数据集划分为训练集和测试集：

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

然后，我们使用逻辑回归分类器进行训练和预测：

# 初始化逻辑回归分类器
clf = LogisticRegression()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

最后，我们计算性能评价指标，并绘制PR曲线与ROC曲线：

# 计算平均精确率、AUC
average_precision = average_precision_score(y_test, y_pred)
roc_auc = roc_auc_score(y_test, y_pred)

print("平均精确率：", average_precision)
print("AUC：", roc_auc)

# 绘制PR曲线
precision, recall, _ = precision_recall_curve(y_test, y_pred)

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('召回率')
plt.ylabel('精确率')
plt.ylim([0.0, 1.05])
plt.xlim([0.0, 1.0])
plt.title('PR曲线')
plt.show()

# 绘制ROC曲线
fpr, tpr, _ = roc_curve(y_test, y_pred)

plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlabel('假正率')
plt.ylabel('真正率')
plt.title('ROC曲线')
plt.legend(loc="lower right")
plt.show()

这样，我们就完成了对乳腺癌数据的分类，同时计算了平均精确率、AUC，并绘制了PR曲线与ROC曲线。