参考链接： Python中的numpy.bincount
之前接触到bincount这个函数，简单的以为它就是计算分类结果中每一类的数量，如下：
import numpy as np
a = np.array([0,1,3,2,1])
binc = np.bincount(a)
print(binc)
结果输出是这样：
[1 2 1 1]
这个结果表示0有1个，1有两个，2和3各有一个。
但是今天又发现了一个不为人知的巧妙用法，是在一篇论文的源码中发现的。直接看代码
#假设你总共要分3类，也可设为num_classes
prediction = np.array([0,1,1,2,0,1,2])
truth = np.array([0,1,2,2,0,1,1])
#上面两行假设是你的分类结果和真实分类
hist = np.zeros((3,3))#以类数为维数的矩阵
#定义一个函数，要注意label_pred和label_true都必须是np.array()
def _fast_hist(label_pred, label_true, num_classes):
mask = (label_true >= 0) & (label_true < num_classes)
hist = np.bincount( #这是我们要学习的bincount函数
num_classes * label_true[mask].astype(int)
label_pred[mask], minlength=num_classes ** 2).reshape(num_classes, num_classes)#minlength属性规定了bincount
函数返回的数组的最小长度，用0补齐
#print(hist)
return hist
#通过下面这个循环，可以计算出我们的分类情况
for lp,lt in zip(prediction,truth):
hist = _fast_hist(lp.flatten(),lt.flatten(),3)
print(hist)
print('nn')
看结果：
第一次循环
[[1. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
第二次循环
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 0.]]
。。。
[[1. 0. 0.]
[0. 1. 0.]
[0. 1. 0.]]
[[1. 0. 0.]
[0. 1. 0.]
[0. 1. 1.]]
[[2. 0. 0.]
[0. 1. 0.]
[0. 1. 1.]]
[[2. 0. 0.]
[0. 2. 0.]
[0. 1. 1.]]
[[2. 0. 0.]
[0. 2. 1.]
[0. 1. 1.]]
通过对比分类结果，可以看出，第一个和第二个的预测和事实都相等，计算出来的数值位于对角线，而当预测和事实不符时，数值落在别处。从_fast_hist函数中可以看到，利用num_classes，通过巧妙的计算，可以使预测正确的结果落在对角线。
如果直接取对角线，
iu = np.diag(hist)
就能得到每一类分类正确的个数。
