它比你想象的要简单。当我们将频率离散化时，我们会得到频率箱。因此，当您离散傅立叶变换时：

这就是为什么以下是正确的：

一维中的频率仓通常表示一个段$[f_l,f_h]$频率轴，包含一些信息。它被定义在低频和高频界限之间$f_l$和$f_h$. 它与统计分析中用于对数据进行排序的一系列数值范围有关。在更高维度，它是由每个频率维度上的边界定义的体积，就像一个超矩形。

这块频率空间通常被分配或“收集”周期性信息，例如来自小范围频率的幅度、幅度或能量，通常由傅立叶分析产生。

由于数据离散化（可能由于采样），通常不可能为实轴上的每个频率位置分配精确的幅度。例如，频率仓可以从采样频率和傅里叶变换的分辨率中导出。然而，计算幅度的一部分可能归因于实际信号的频率，这些频率不包含在 bin 范围内。与这种现象相关的术语可能是泄漏、拖尾、混叠、窗口化，并且取决于用于获得这些幅度的工具。下图演示了一个实例：对纯正弦进行采样，并通过矩形窗口进行分析。尽管人们可能期望单个峰值，因为人们会通过连续傅里叶变换在完整的连续时间信号上获得，但峰值不是用 FFT 精确定位的，

很多时候，细分$[f_l,f_h]$被称为单一频率，如中频$\frac{f_l+f_h}{2}$或最低频率$f_l$，但不要忘记它是一个区间，而不是一个数字。经典地，频率仓的大小是均匀的、不重叠的，并且覆盖了整个频谱。有时，它们可能会以某种方式重叠，不均匀，例如当这个术语（很少）用于多速率滤波器组时。

类似的概念可以在概率箱中找到。

FFT 是一种计算 DFT 的方法。DFT 是有限长度向量的变换，它产生相同的有限数量的结果。然而，正弦曲线的频率范围可以开窗到有限长度以便馈送到 FFT 是无限的。因此，FFT 的每个结果向量元素主要与该频率连续体的一小部分相关联，而不是与一个点（FFT bin 中心频率）相关联。

有时，这些箱被理想化为固定宽度的矩形过滤器。但是每个 FFT 结果 bin 的实际形状不是矩形桶，而是 Sinc 形状，或者形状类似于已选择应用的任何非矩形窗函数的变换。请注意，这些结果 bin 在体积上可能比 FFT bin 之间的距离更宽，尾部（阻带）在结果的整个宽度周围逐渐变小。这些尾部有时被称为“泄漏”。

好信息在这里。

从这一点和采样音频的知识来看，箱中的最高频率不能超过采样率的一半（以赫兹为单位）。此外，根据此堆栈对话，0 是最低的 bin 频率（也称为 DC 分量）。第一个链接还深入描述了泄漏和补偿。