计算模型的auc、aupr值一般用sklearn的包进行计算，下面是计算auc的详细过程。y_true是数据的真实标签，y_score是模型的预测得分。
  对于计算的auc值，这里详细解释一下什么是auc。AUC的英文是Area Under The Curve，意思就是曲线下的面积，所以这是个抽象的概念。需要指定计算什么曲线下的面积，这样计算出来的数值才有意义。下面的例子计算的是roc曲线的面积（如何理解ROC曲线）：

import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
roc_auc_score(y_true, y_scores)
输出：0.75

import numpy as np
from sklearn import metrics
y = np.array([0, 0, 1, 1])
pred = np.array([0.1, 0.4, 0.35, 0.8])
fpr, tpr, thresholds = metrics.roc_curve(y, pred)
metrics.auc(fpr, tpr)
输出：0.75

  以上两种计算roc_auc的方式，得出的结果是一样的。第一种计算方法直接出结果，第二种方法可以得出fpr，tpr的值能够进行画图（详细的区别查看参考文献[4]）
  PR曲线概念:PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。

import numpy as np
from sklearn.metrics import average_precision_score, auc
y_true = np.array([0, 0, 1, 1,1,1])
y_scores = np.array([0, 0.5, 0.4, 1,1,1])
print (average_precision_score(y_true, y_scores) )

# 严格定义计算方法
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)
print(auc(recall, precision))
plt.xlabel('Recall')
plt.ylabel('Precision')
# plt.grid()  # 生成网格
 
plt.plot(recall,precision)
plt.figure("P-R Curve")
plt.show()

  上面的两种计算方法都是计算曲线的AUPR值，然而程序算出的结果是0.95， 而严格按照定义算出来的结果是0.94375。我们需要注意这个区别，具体的原因参见参考文献[6]。
  如何绘制AUROC和AUPR曲线（绘制AUC和AUPR曲线）
  AUC与AUPR的区别是什么?

参考文献

[1]如何理解机器学习和统计中的AUC？
[2]机器学习中auc与aupr 指的是什么？
[3]详解scikit-learn计算ROC/AUC曲线
[4]sklearn：auc、roc_curve、roc_auc_score
[5]PR曲线详解
[6]为什么平均精准度（Average Precision，AP）就是PR曲线的线下面积？
[7]sklearn.metrics import average_precision_score研究