绘制朴素贝叶斯ROC曲线遇np.vectorize标量转换报错，astype(int)处理无效

• 直接触发当前报错的原因：绘图代码中label='Naive Bayes (AUROC = %0.3f)' % y_pred这行存在逻辑错误——字符串格式化需要单个浮点数标量替换占位符，但传入的y_pred是长度等于测试集样本数的一维数组，numpy及matplotlib在处理转换逻辑时，就会抛出“only size-1 arrays can be converted to scalars”的报错，该报错和fpr、tpr的数组类型完全无关，因此你之前对fpr、tpr做astype(int)的类型转换操作从方向上就无法解决问题。
• 存在的接口使用逻辑错误：调用roc_curve时，第二个入参要求传入模型输出的正类预测概率/决策分数，而非硬分类截断后的0/1预测值y_pred。直接传入硬分类结果会导致计算得到的fpr、tpr退化为仅包含(0,0)、(1,1)两个端点的离散值，无法生成有评估意义的连续ROC曲线。

1. 修正roc_curve的传入参数
   不对模型输出做硬分类截断，提取测试集对应的正类预测概率值传入接口，以sklearn框架的朴素贝叶斯模型为例：

   # 获取所有测试样本属于正类的预测概率，替代硬分类的y_pred
   y_score = nb_model.predict_proba(X_test)[:, 1]
   fpr, tpr, thresholds = roc_curve(y_test, y_score)
   

2. 计算标量形式的AUROC值
   用roc_auc_score计算整体AUROC指标，得到单个浮点数结果，替代之前错误传入的数组：

   from sklearn.metrics import roc_auc_score
   auroc = roc_auc_score(y_test, y_score)
   

3. 修正绘图逻辑
   替换label字符串中的错误变量，即可正常出图，可补充随机分类的对角参考线优化展示效果：

   plt.plot(fpr, tpr, label=f'Naive Bayes (AUROC = {auroc:.3f})')
   plt.xlabel('False Positive Rate')
   plt.ylabel('True Positive Rate')
   # 补充随机参考线
   plt.plot([0, 1], [0, 1], 'k--', alpha=0.5)
   plt.legend()  
   plt.show()
   

注意：之前尝试的fpr.astype(int)操作会把0-1区间的连续fpr、tpr值直接截断为0或1，既无法解决字符串格式化的报错，还会将ROC曲线退化为无意义的直角折线，不应在流程中保留。

内容的提问来源于stack exchange，提问作者yras8