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。 请先提供训练样本，并提交python代码，需要输出模型的查准率

由于样本中存在空值，需要对缺失值进行处理，可以使用均值填充或者中位数填充。

首先，我们需要导入必要的库和数据集：

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 导入数据
data = pd.read_csv('data.csv')

然后，我们需要对数据进行预处理：

# 将职业、性别、手机入网时长以及信用卡额度进行独热编码
data = pd.get_dummies(data, columns=['职业', '性别', '手机入网时长', '信用卡额度'])

# 将年龄的空值填充为中位数
data['年龄'].fillna(data['年龄'].median(), inplace=True)

# 将涉案客户的值转换为数字类型
data['是否涉案客户'] = pd.to_numeric(data['是否涉案客户'])

接着，我们需要将数据集分为训练集和测试集：

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('是否涉案客户', axis=1), data['是否涉案客户'], test_size=0.2, random_state=0)

然后，我们可以使用逻辑回归进行模型训练和预测：

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 输出查准率
print("查准率为：", accuracy_score(y_test, y_pred))

最后，我们可以将完整的代码整合起来：

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 导入数据
data = pd.read_csv('data.csv')

# 将职业、性别、手机入网时长以及信用卡额度进行独热编码
data = pd.get_dummies(data, columns=['职业', '性别', '手机入网时长', '信用卡额度'])

# 将年龄的空值填充为中位数
data['年龄'].fillna(data['年龄'].median(), inplace=True)

# 将涉案客户的值转换为数字类型
data['是否涉案客户'] = pd.to_numeric(data['是否涉案客户'])

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('是否涉案客户', axis=1), data['是否涉案客户'], test_size=0.2, random_state=0)

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 输出查准率
print("查准率为：", accuracy_score(y_test, y_pred))

需要注意的是，这里的查准率是针对测试集的，如果要对新客户进行预测，需要将新客户的数据集输入到模型中进行预测。