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。 职业有，房地产服务人员，工程技术人员，企事业单位负责人，有空值。 年龄从18到60，有空值。 性别有，M和F。 手机入网时长有，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。 信用卡额度有，01，02，03，04，05，06，空值。 是否涉案客户，1代表是，0代表否。 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。 请模拟训练样本文件，并提交python代码，需要输出模型的查准率

首先，我们需要对数据进行预处理，包括空值填充、类别变量编码等。这里我们选择使用pandas和scikit-learn库进行操作。

假设训练样本存放在一个名为“train.csv”的文件中，代码如下：

import pandas as pd
from sklearn.preprocessing import LabelEncoder

# 读取数据
data = pd.read_csv('train.csv')

# 填充空值
data['职业'].fillna('其他', inplace=True)
data['年龄'].fillna(data['年龄'].mean(), inplace=True)
data['信用卡额度'].fillna('其他', inplace=True)

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

# 划分自变量和因变量
X = data[['职业', '年龄', '性别', '手机入网时长', '信用卡额度']]
y = data['是否涉案客户']

# 建立逻辑回归模型
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X, y)

# 预测新客户的风险情况
# 假设有一个新客户，职业为“企事业单位负责人”，年龄为30岁，性别为男，手机入网时长为“二至六个月”，信用卡额度为“02”
new_X = [[2, 30, 1, 1, 1]]
predict_y = model.predict(new_X)
print(predict_y)

# 输出模型的查准率
from sklearn.metrics import precision_score
y_pred = model.predict(X)
precision = precision_score(y, y_pred)
print(precision)

其中，我们使用了LabelEncoder对类别变量进行编码，将其转化为数值变量。建立逻辑回归模型时，我们选择使用scikit-learn库中的LogisticRegression类，并使用fit方法进行训练。预测新客户的风险情况时，我们使用predict方法对新样本进行预测。输出模型的查准率时，我们使用precision_score方法计算查准率。