如何不使用scikit-learn从TPR和FPR计算AUC_ROC并解决计算异常

我有一组对应不同阈值的True Positive Rate（TPR）和False Positive Rate（FPR）数据，现在需要在不使用scikit-learn库的前提下计算ROC AUC。我的数据如下：

• TPR = [0.0001,0.0002,0.0003,0.0004,0.0005,0.0006,0.0007,0.0008,0.0009,0.001]
• FPR = [0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0]

我尝试用numpy.trapz(TPR,FPR)计算，但结果异常，请问该如何正确计算？

问题根源与解决方案 #

你的问题出在所有FPR值都是0的特殊场景——ROC AUC的本质是计算TPR曲线在FPR从0到1区间下的面积，而你现有的数据只覆盖了FPR=0的片段，缺少ROC曲线必须的关键端点，导致数值积分工具返回不符合预期的结果。

1. 先补全ROC曲线的核心端点 #

根据ROC曲线的定义，完整的曲线必须包含两个强制端点：

• 阈值设为最大值时：所有样本被预测为负例，对应(FPR=0, TPR=0)
• 阈值设为最小值时：所有样本被预测为正例，对应(FPR=1, TPR=1)

你的现有数据只记录了FPR=0时的TPR变化，所以需要把这两个端点补充到数据序列中。

2. 用梯形法计算AUC（兼容numpy.trapz） #

我们可以手动整理完整的FPR和TPR序列，再用numpy.trapz计算，代码示例如下：

import numpy as np

# 你的原始数据
raw_tpr = [0.0001,0.0002,0.0003,0.0004,0.0005,0.0006,0.0007,0.0008,0.0009,0.001]
raw_fpr = [0.0] * 10

# 补全ROC曲线的必要端点
full_fpr = np.array([0.0] + raw_fpr + [1.0])
full_tpr = np.array([0.0] + raw_tpr + [1.0])

# 计算AUC
auc = np.trapz(full_tpr, full_fpr)
print(auc)  # 输出结果为 0.5005

3. 手动验证计算逻辑 #

因为你的原始数据所有FPR都是0，这部分在ROC图上是沿y轴从(0,0)到(0,0.001)的竖线，这部分的面积为0；真正贡献面积的是从(0,0.001)到(1,1)的线段，用梯形面积公式计算：

面积 = (上底 + 下底) × 宽 ÷ 2 = (0.001 + 1) × (1 - 0) ÷ 2 = 0.5005

和numpy.trapz的计算结果完全一致。

为什么之前的计算异常？ #

你直接传入全0的FPR序列时，numpy.trapz会认为x轴没有变化（积分区间长度为0），所以返回0——这是数值积分的正常逻辑，但不符合ROC AUC的标准定义，因为ROC曲线必须覆盖FPR从0到1的完整范围。

内容的提问来源于stack exchange，提问作者Rajeev Srivastava