bincount的用途很簡單，就是統計出一個列表的各個元素的出現次數。
例如輸入是：[1，0，2，2，1，2，3，5]
那麼輸出就是：[1，2，3，1，0，1]
這樣的結果可能並不是很直觀，可能依然會有同學會問爲什麼會輸出這樣的結果。
我們看看：假如我們把輸入的列表中的數字都統計一遍，形成一個字典：
key是列表的數字，value是數字對應出現的次數：
{
0：1，
1：2，
2：3，
3：1，
4：0，
5：1
}
所以這就很直觀啦，但是又有同學要問了，輸入明明沒有4啊，爲什麼也要統計4呢？因爲這就是bincount的特性，例如如果一個列表中最大的數字是5的話，那麼輸出的列表就有6個(5+1)元素，因爲要統計0~5數字的出現頻率。
說白了 bincount就是統計列表中數字對應的出現頻率的。
那有什麼用呢？
對於我而言，我一般用來看一個矩陣中的值是否符合我的預期。如果一個矩陣太大，是打印不出來的，調試時看也很不方便，於是，用bincount就可以輸出，矩陣中的數字的出現頻率，進而知道矩陣中的值的取值範圍是不是符合我的預期。當然，二維三維的輸入數據要做一個reshape處理，把它轉成一維向量，如：
import numpy as np
img = cv2.imread(path)
print(np.bincount(img.reshape(-1)))