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， 职业包含，房地产服务人员，工程技术人员，企事业单位负责人，有空值。 年龄包含，从18岁到60岁，有空值。 性别包含，M和F。 手机入网时长包含，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。 信用卡额度包含，0-6K，6K-10K，10K-20K，20K-30K，30K-50K，50K以上，有空值。 是否涉案是因变量，1代表是，0代表否。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，将数据集拆分为训练集和测试集，预测新客户的风险情况。 提交python代码，需要输出模型的查准率

可以选择以下变量建立逻辑回归模型：职业、年龄、性别、手机入网时长、信用卡额度。需要对空值进行处理，可以使用均值填充或者删除空值所在行。同时，需要对分类变量进行独热编码处理。代码如下：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import precision_score
from sklearn.preprocessing import OneHotEncoder

# 读取数据
df = pd.read_csv('data.csv')

# 处理空值
df['职业'].fillna('其他', inplace=True)
df['年龄'].fillna(df['年龄'].mean(), inplace=True)
df['信用卡额度'].fillna('其他', inplace=True)

# 独热编码
ohe = OneHotEncoder(categories='auto', sparse=False)
X_cat = ohe.fit_transform(df[['职业', '性别', '手机入网时长', '信用卡额度']])
X_num = df[['年龄', '手机入网时长']]
X = np.hstack((X_cat, X_num))
y = df['是否涉案']

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练模型
clf = LogisticRegression(random_state=42)
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

# 计算查准率
precision = precision_score(y_test, y_pred)
print('查准率为：', precision)

其中，`data.csv`为数据文件名，需要与代码文件在同一目录下。这里使用了`OneHotEncoder`对分类变量进行独热编码处理，同时使用了`train_test_split`函数将数据集拆分为训练集和测试集。最后，使用`LogisticRegression`模型训练和预测，并计算查准率。