1. 引入相关包
使用matplotlib包作为绘图库，故要引入相关的包
为了使画出的图更为符合期刊要求，这里引入SciencePlots。
它是一个基于Matplotlib的补充包，里面主要包含了一些以.mplstyle为后缀的图表样式的配置文件。这样，你画图的时候只需要通过调用这些配置文件，就能画出比较好看的数据可视化图表，也避免了你每次画图时都要从头开始手动配置图表的格式。
pip install SciencePlots
还要引入numpy包对数据进行处理
要计算AUC，还应该引入sklearn中计算相关值的包。
import matplotlib.pyplot as plt
plt.style.use(['science'])
import numpy as np
from sklearn.metrics import roc_curve, auc
然后导入相关数据
# 真实值
y = np.load('npy\\y_test.npy')
# 各种预测值 并非0或1 而是概率
yp_ann = np.load('npy\\ann.npy')
yp_lstm = np.load('npy\\lstm.npy')
yp_lr = np.load('npy\\lr.npy')
yp_rf = np.load('npy\\rf.npy')
yp_xgb = np.load('npy\\xgb.npy')
yp_lgbm = np.load('npy\\lgbm.npy')
yp_catb = np.load('npy\\catb.npy')
2. 计算AUC值
AUC，即AUROC，指的是由TPR和FPR围成的ROC曲线下的面积。
将分类任务的实际值和预测值作为参数输入给roc_curve()方法可以得到FPR、TPR和对应的阈值。
auc()方法可以计算曲线下的面积，将FPR和TPR作为参数输入，即可获得AUC值。
fpr_1, tpr_1, threshold_1 = roc_curve(y, yp_ann) # 计算FPR和TPR
auc_1 = auc(fpr_1, tpr_1) # 计算AUC值
fpr_2, tpr_2, threshold_2 = roc_curve(y, yp_lstm)
auc_2 = auc(fpr_2, tpr_2)
fpr_3, tpr_3, threshold_3 = roc_curve(y, yp_lr)
auc_3 = auc(fpr_3, tpr_3)
fpr_4, tpr_4, threshold_4 = roc_curve(y, yp_rf)
auc_4 = auc(fpr_4, tpr_4)
fpr_5, tpr_5, threshold_5 = roc_curve(y, yp_xgb)
auc_5 = auc(fpr_5, tpr_5)
fpr_6, tpr_6, threshold_6 = roc_curve(y, yp_lgbm)
auc_6 = auc(fpr_6, tpr_6)
fpr_7, tpr_7, threshold_7 = roc_curve(y, yp_catb)
auc_7 = auc(fpr_7, tpr_7)
3. 绘制曲线
首先定义曲线的宽度和图的大小，如下所示。
line_width = 1 # 曲线的宽度
plt.figure(figsize=(16, 10)) # 图的大小
使用plt的plot()方法可以绘制曲线，通常可以传入的参数有以下几种：
- x轴的数据
- y轴的数据
- lw：线条的宽度
- label：曲线的标签（曲线标签甚至支持LaTex公式，例如
$K_{d,1}$） - color：曲线的颜色（如果不指定，plt会自动选择）
- linestyle：线型，包括“-”代表实线，“--”代表虚线，“-.”代表中间有点的虚线，“：”点型虚线
plt.plot(fpr_1, tpr_1, lw=line_width, label='Ann (AUC = %0.4f)' % auc_1,)
plt.plot(fpr_2, tpr_2, lw=line_width, label='Lstm (AUC = %0.4f)' % auc_2,)
plt.plot(fpr_3, tpr_3, lw=line_width, label='LogisticRegression (AUC = %0.4f)' % auc_3,)
plt.plot(fpr_4, tpr_4, lw=line_width, label='RandomForest (AUC = %0.4f)' % auc_4,)
plt.plot(fpr_5, tpr_5, lw=line_width, label='XGboost (AUC = %0.4f)' % auc_5,)
plt.plot(fpr_6, tpr_6, lw=line_width, label='LightGBM (AUC = %0.4f)' % auc_6,)
plt.plot(fpr_7, tpr_7, lw=line_width, label='Catboost (AUC = %0.4f)' % auc_7,)
4. 坐标轴范围和标题
限定x轴和y轴的范围，如下所示。
plt.xlim([0.0, 1.0]) # 限定x轴的范围
plt.ylim([0.0, 1.0]) # 限定y轴的范围
也可以通过xticks()和yticks()直接调整坐标轴的刻度，如下所示。
# plt.xticks(range(0, 10, 1)) # 修改x轴的刻度
# plt.yticks(range(0, 10, 1)) # 修改y轴的刻度
指定坐标轴的标题，如下所示。
plt.xlabel('False Positive Rate') # x坐标轴标题
plt.ylabel('True Positive Rate') # y坐标轴标题
使用grid()方法在图中添加网格，如下所示。
plt.grid() # 在图中添加网格
显示图例并指定图例位置，常见位置包括{upper，center，lower} {left，center，right}，如下所示。
plt.legend(loc="lower right") # 显示图例并指定图例位置
5. 中文处理问题
如果在坐标轴、标题等地方出现了中文，plt会显示乱码，添加以下两条语句可以解决中文处理问题。
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
6. 展示图片和保存
TIFF格式（Tag Image File Format，TIFF）是常见的论文图片投稿格式，TIFF格式能够制作质量非常高的图像，多数出版社（如Springer、Elsevier）都接受并推荐使用dpi=300的TIFF格式的插图。
plt.savefig('AUC.tif', dpi=300)
使用plt的show方法展示曲线，如下所示。
plt.show()
7. 示例代码
import matplotlib.pyplot as plt
import numpy as np
from sklearn.metrics import roc_curve, auc
from sklearn.metrics import precision_recall_curve
y = np.load('npy\\y_test.npy')
yp_ann = np.load('npy\\ann.npy')
yp_lstm = np.load('npy\\lstm.npy')
yp_lr = np.load('npy\\lr.npy')
yp_rf = np.load('npy\\rf.npy')
yp_xgb = np.load('npy\\xgb.npy')
yp_lgbm = np.load('npy\\lgbm.npy')
yp_catb = np.load('npy\\catb.npy')
fpr_1, tpr_1, threshold_1 = roc_curve(y, yp_ann) # 计算FPR和TPR
auc_1 = auc(fpr_1, tpr_1) # 计算AUC值
fpr_2, tpr_2, threshold_2 = roc_curve(y, yp_lstm)
auc_2 = auc(fpr_2, tpr_2)
fpr_3, tpr_3, threshold_3 = roc_curve(y, yp_lr)
auc_3 = auc(fpr_3, tpr_3)
fpr_4, tpr_4, threshold_4 = roc_curve(y, yp_rf)
auc_4 = auc(fpr_4, tpr_4)
fpr_5, tpr_5, threshold_5 = roc_curve(y, yp_xgb)
auc_5 = auc(fpr_5, tpr_5)
fpr_6, tpr_6, threshold_6 = roc_curve(y, yp_lgbm)
auc_6 = auc(fpr_6, tpr_6)
fpr_7, tpr_7, threshold_7 = roc_curve(y, yp_catb)
auc_7 = auc(fpr_7, tpr_7)
plt.style.use(['science'])
line_width = 2 # 曲线的宽度
plt.figure(figsize=(8, 5)) # 图的大小
plt.plot(fpr_1, tpr_1, lw=line_width, label='Ann (AUC = %0.4f)' % auc_1,)
plt.plot(fpr_2, tpr_2, lw=line_width, label='Lstm (AUC = %0.4f)' % auc_2,)
plt.plot(fpr_3, tpr_3, lw=line_width, label='LogisticRegression (AUC = %0.4f)' % auc_3,)
plt.plot(fpr_4, tpr_4, lw=line_width, label='RandomForest (AUC = %0.4f)' % auc_4,)
plt.plot(fpr_5, tpr_5, lw=line_width, label='XGboost (AUC = %0.4f)' % auc_5,)
plt.plot(fpr_6, tpr_6, lw=line_width, label='LightGBM (AUC = %0.4f)' % auc_6,)
plt.plot(fpr_7, tpr_7, lw=line_width, label='Catboost (AUC = %0.4f)' % auc_7,)
plt.xlim([0.0, 1.0]) # 限定x轴的范围
plt.ylim([0.0, 1.0]) # 限定y轴的范围
plt.xlabel('False Positive Rate', fontsize=16) # x坐标轴标题
plt.ylabel('True Positive Rate', fontsize=16) # y坐标轴标题
plt.title('ROC', fontsize=16) # 标题
plt.grid() # 在图中添加网格
plt.legend(loc="lower right", fontsize=16) # 显示图例并指定图例位置
plt.savefig('ROC.tif', dpi=300)
plt.show()
