本关任务:填写 python 代码，完成 AUC 函数实现计算 AUC。

AUC（Area Under the Curve）通常是指接收者操作特征曲线（Receiver Operating Characteristic，ROC曲线）下的面积，用于衡量分类器在所有可能阈值上的性能。在二分类问题中，ROC曲线是真阳性率（TPR）对假阳性率（FPR）的图表，而AUC值则是该曲线下的面积。AUC值的范围在0到1之间，值越大表示模型性能越好。

以下是使用Python实现计算AUC的函数的一个基本示例：

import numpy as np
import sklearn.metrics as metrics

def compute_auc(sorted_labels, sortedScores):
    # 初始化变量
    fpr = 0.0
    tpr = 0.0
    total_positives = 0.0
    total_negatives = 0.0
    auc = 0.0
    
    # 计算正负样本总数
    for i in range(len(sorted_labels)):
        if sorted_labels[i] == 1:
            total_positives += 1
        else:
            total_negatives += 1

    # 遍历所有阈值，计算TPR和FPR
    prev_score = -1.0
    for i in range(len(sorted_labels)):
        current_score = sortedScores[i]
        current_label = sorted_labels[i]

        if current_score != prev_score:
            # 更新TPR和FPR
            fpr = float(total_negatives - (i + 1) + 0.5) / total_negatives
            tpr = float(total_positives - (i + 1) + 0.5) / total_positives
            auc += tpr * (fpr - prev_fpr)
            prev_fpr = fpr
        prev_score = current_score

    return auc

# 示例使用
labels = np.array([1, 1, 1, 1, 0, 0, 0, 0, 0])  # 真实标签
scores = np.array([0.9, 0.85, 0.8, 0.7, 0.6, 0.55, 0.5, 0.4, 0.3])  # 预测得分

sorted_labels, sortedScores = zip(*sorted(zip(labels, scores), key=lambda x: x[1], reverse=True))

auc_value = compute_auc(sorted_labels, sortedScores)
print(f"AUC Value: {auc_value}")

请注意，这个函数是一个简化的AUC计算示例，它没有处理一些特殊情况，如平滑处理（例如，当两个点具有相同的预测分数时）。在实际应用中，可以直接使用诸如scikit-learn这样的库中的现成函数来计算AUC，如上面代码中的`metrics.roc_auc_score`函数。