确保所有介于0和41之间（包括0和41）的整数都存在于gt中。
举个简单的例子：

import numpy as np
from sklearn.metrics import roc_auc_score

# results in error:
gt1 = np.array([0,1,3])
pr1 = np.array(
    [[0.1, 0.7, 0.1, 0.1], 
     [0.3, 0.3, 0.2, 0.2], 
     [0.5, 0.1, 0.1, 0.3]]
)
#roc_auc_score(gt1, pr1, multi_class='ovr')

# does not result in error:
gt2 = np.array([0,2,1,3])
pr2 = np.array(
    [[0.1, 0.7, 0.1, 0.1], 
     [0.3, 0.3, 0.2, 0.2], 
     [0.5, 0.1, 0.1, 0.3],
     [0.3, 0.3, 0.2, 0.2]] 
)
#roc_auc_score(gt2, pr2, multi_class='ovr')

因为integer/label 2在gt1中不存在，所以它抛出一个错误。换句话说，* gt1中的类数 *（3）是 * 不等于pr1中的列数 *（4）。

roc_auc_score方法有一个labels参数，可用于指定缺失的标签。

不幸的是，这只适用于multi_class=“ovo”模式，而不适用于“ovr”模式。

# without labels
gt1 = np.array([0,1,3])
pr1 = np.array(
    [[0.1, 0.7, 0.1, 0.1], 
     [0.3, 0.3, 0.2, 0.2], 
     [0.5, 0.1, 0.1, 0.3]]
)
roc_auc_score(gt1, pr1, multi_class='ovo')
> ValueError: Number of classes in y_true not equal to the number of columns in 'y_score'

# with labels and multi-class="ovo":
gt1 = np.array([0,1,3])
pr1 = np.array(
    [[0.1, 0.7, 0.1, 0.1], 
     [0.3, 0.3, 0.2, 0.2], 
     [0.5, 0.1, 0.1, 0.3]]
)
roc_auc_score(gt1, pr1, multi_class='ovo', labels=[0, 1, 2, 3])
> 0.5

# with labels and multi-class="ovr":
gt1 = np.array([0,1,3])
pr1 = np.array(
    [[0.1, 0.7, 0.1, 0.1], 
     [0.3, 0.3, 0.2, 0.2], 
     [0.5, 0.1, 0.1, 0.3]]
)
roc_auc_score(gt1, pr1, multi_class='ovr', labels=[0, 1, 2, 3])
> ValueError: Only one class present in y_true. ROC AUC score is not defined in that case.

在本例中，y_true中只存在一个类，因为roc_auc_score函数迭代每个类（标识为类A），并将它们与其他类（标识为类B）进行比较。对于类2，y_true数组等于[B，B，B]，因此只有一个类，无法计算ROC AUC分数。

获取唯一值

唯一值= np.唯一（预测）

获取列表形式的唯一值

类标签=唯一值列表（）

查找ROC AUC分数

rocAucScore=roc_auc_score（真实值，预测概率，多类别=卵，标签=类别标签）