np.histogram 默认返回频数密度而非频数，需设 density=False 才得真实计数；bins 可为整数或严格递增边界数组；整数数据优先用 np.bincount；注意右开区间可能丢弃最大值。
用 np.histogram 统计数组频率，结果不是“频数”而是“频数密度”
默认情况下，np.histogram 返回的不是每个 bin 的原始计数，而是“频数密度”（即频数除以 bin 宽度），所以直接看 counts 数组容易误判数量。比如 bin 宽度为 2，某 bin 计数为 4，返回值却是 2.0。
- 要得到真实频数，必须传
density=False（这是最常漏掉的参数） -
density=True仅在需要概率密度估计时才用，日常统计频率几乎不用 - 不指定
bins时，默认是 10 个等宽 bin，但边界由min/max自动推导，可能切得不合预期
手动指定 bins 时，别混淆“分界点”和“bin 数量”
bins 参数既可以是整数（表示 bin 个数），也可以是数组（表示 bin 边界）。传错类型会导致结果完全不对，且无报错提示。
- 传
bins=5→ 均匀切 5 段，边界自动算 - 传
bins=[0, 2, 4, 6]→ 实际生成 3 个 bin：[0,2)、[2,4)、[4,6)（右开区间） - 如果数组里有重复值（如
[0,2,2,4]），np.histogram会静默忽略中间重复边界，不报错但 bin 数变少 - 边界数组必须严格递增，否则抛
ValueError: bins must increase monotonically
处理整数数组时，用 np.bincount 更快更准
当数据是**非负小整数**（比如像素值、类别 ID、索引号），np.bincount 比 np.histogram 更合适：它直接按值做桶计数，无精度损失、无区间切分误差、速度通常快 3–5 倍。
-
np.bincount(arr)返回长度为arr.max() + 1的数组，索引即原始值，值即频数 - 若
arr含负数或浮点数，会报ValueError: array cannot contain negative values或静默截断小数部分（危险！） - 支持
weights参数加权计数，但不支持自定义 bin 范围 - 示例：
np.bincount(np.array([0,1,1,3]))→array([1, 2, 0, 1])
输出的 bin_edges 是左闭右开，最大值可能被丢弃
np.histogram 默认使用左闭右开区间（[left, right)），这意味着最大值如果恰好等于最右边界，它不会被计入任何 bin —— 这是很多直方图“少一个数”的根源。
立即学习“Python免费学习笔记（深入）”；
- 例如
arr = [1,2,3,4]，bins=4时，bin_edges可能是[1., 1.75, 2.5, 3.25, 4.]，而4.0落在[3.25, 4.0)外，被丢弃 - 安全做法：显式扩展右边界，比如
bins=np.arange(min_val, max_val + step, step) - 或改用
right=False（NumPy 1.24+），让区间变为(left, right]，但要注意兼容性
np.histogram 和 np.bincount 就不会用混。 
