Python是一種高級編程語言，常用于數據分析、機器學習、人工智能等領域。其中，計算模型的評估指標是求得模型的AUC值，因此在Python應用中，求AUC值是一個重要的問題。我們可以使用Scikit-learn庫中的roc_auc_score函數來計算模型的AUC值。

import pandas as pd
import numpy as np
from sklearn import metrics
y = np.array([1, 1, 2, 2])
pred = np.array([0.1, 0.4, 0.35, 0.8])
auc = metrics.roc_auc_score(y, pred)
print("AUC值為：", auc)

首先需要導入pandas、numpy和sklearn庫。其中，y和pred是真實標簽和預測標簽，需要使用numpy中的array函數轉換為數組類型。然后，我們使用metrics中的roc_auc_score函數來計算AUC值，最后使用print函數輸出結果。

求得AUC值后，我們可以用roc_curve函數來繪制ROC曲線。ROC曲線展示了在不同閾值下，真正率（TPR）和假正率（FPR）的變化情況，ROC曲線的AUC值越大，說明模型的效果越好。

import matplotlib.pyplot as plt
fpr, tpr, thresholds = metrics.roc_curve(y, pred)
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % auc)
plt.plot([0, 1], [0, 1], 'k--')  
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend(loc="lower right")
plt.show()

上述代碼中，我們使用matplotlib庫來繪制ROC曲線。roc_curve函數接受真實標簽和預測標簽，返回真正率、假正率和閾值三個值。使用plt.plot函數可繪制ROC曲線，其中auc參數為上一步計算的AUC值。接著，我們使用plt.plot函數繪制FPR為0到1，TPR為0到1的參考線。最后，我們使用plt.xlim、plt.ylim、plt.xlabel、plt.ylabel、plt.title和plt.legend函數來設置圖表的樣式。

經過以上步驟，我們成功求得模型的AUC值并繪制了ROC曲線，這將對機器學習模型的評估和優化提供有價值的信息。