以下是一个按折进行分组并计算AUC的示例代码：

import numpy as np
from sklearn import metrics
from sklearn.model_selection import StratifiedKFold

# 假设有一组数据X和对应的标签y
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([0, 0, 1, 1])

# 初始化StratifiedKFold对象，设置折数为5
kfold = StratifiedKFold(n_splits=5)

# 初始化变量用于存储每折的AUC值
auc_scores = []

# 使用k折交叉验证进行分组计算
for train_index, test_index in kfold.split(X, y):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    
    # 训练模型，这里使用逻辑回归作为示例
    model = LogisticRegression()
    model.fit(X_train, y_train)
    
    # 预测概率
    y_pred_proba = model.predict_proba(X_test)[:, 1]
    
    # 计算AUC
    auc = metrics.roc_auc_score(y_test, y_pred_proba)
    
    # 将AUC值添加到列表中
    auc_scores.append(auc)

# 计算平均AUC值
mean_auc = np.mean(auc_scores)

# 打印平均AUC值
print("Mean AUC:", mean_auc)

上述代码示例使用了StratifiedKFold来进行分组，将数据分成5个折。然后使用逻辑回归模型训练每个折的训练集，预测测试集的概率，并计算AUC值。最后，将所有折的AUC值取平均得到最终的AUC值。