像这样的数据通常被称为quantized，特别是当数字的精度受到测量设备的限制时。例如，秤可能只显示克或磅的整数。当模拟信号（来自麦克风、应变仪等）被数字化时，这尤其常见。产生的误差（例如，第一个数据点的 0.012 和 0 之间的差异）称为量化误差。您也可以将其称为rounding或discretization，尽管这隐约暗示它是在后期处理期间完成的。

截断也适用于此，但需要区分截断观测值的范围（例如，将任何高于 10 的值转换为 10，或将低于 0 的值转换为 0）和截断单个观测值的值。

• 你有多少独特的价值？数模转换器使用固定位数（通常为 8、12、16 或 24），这为您提供或 唯一值，并且这些值通常在最大值和最小值之间等距分布。$2^8, 2^{12}, 2^{16}$$2^{24}$

• 值之间是否存在一致的步长。换句话说，对它们进行排序，丢弃重复项，然后查看相邻值是否通常会增加相同的数量。

不过，我认为您最好先询问数据是如何生成的。

如果数据被“轻度”量化，通常不是问题。例如，如果我的人类受试者的体重以（整数）磅或公斤记录，我不会太担心。如果数据被高度量化，您可以将其视为区间删失数据。这在生存分析中尤其常见，您可能只检查某人是否还活着或某物是否在某个固定时间间隔运行（例如，每周对工厂进行检查）。如果这适合您的情况，请搜索区间回归。

您应该确保了解对分箱数据运行的任何测试所依据的零假设。例如，均匀分布在 10 个 bin 中的数据与均匀分布在整个范围内的数据完全不同。

通常，“分箱数据”是指这种方式。

如果您考虑直方图，则每个条都指一个 bin。如果某个值介于给定 bin 的上端和下端之间，则将该值放置在该 bin 中。例如，如果您由于简单的舍入而对数据进行了分箱（即，1.01 的真值在数据集中表示为 1.0），您可以认为观察值 1.0 意味着真值实际上在区间 [0.5, 1.5) .

通常，这方面的数据经常被忽略；使用主题的整数年龄（28 岁）而不是确切的年龄（28.153 ...）通常没有什么问题。在分箱效应可能很大的情况下（即在公司工作的年数；1/12 与 5/12 有很大不同，但四舍五入后两者均为 0），数据可被视为已删失的区间，以解释准确响应中的这种不确定性价值。

在您的情况下，它称为quantization，这是信号处理的常见问题。通常你会看到均匀分布的数据（即使你没有得到多重性）。

一般来说（是否有很多点彼此靠近，没有必要具有相同的值或间距），看看clustering。对于一维值，对它们进行排序并获取最接近值之间差异的直方图。

为了添加其他好的答案，以及对块状来源的更多评论 - 量化也可能出于社会原因而发生，例如，如果您详细查看钻石数据集的直方图，您会在“nice”看到明显的尖峰值，0.3、0.4、0.5、0.7、1.0、1.2、1.5、2.0 等。重量为 0.98 的钻石很少，但重量刚刚超过 1.0 的钻石很多，这被解释为 - 没有人愿意得到 0.98克拉钻石......他们想要一颗 1.0 克拉的钻石！

library(ggplot2)
data(diamonds)
ggplot(diamonds, aes(x=carat)) + geom_histogram(bins=200) + xlim(0,2.1)