如果说数、式与变量让我们学会表示数量关系，那么集合、关系、映射与函数则进一步让我们学会描述对象范围、对应规则和输入输出结构。
集合用来描述“对象属于哪里”，关系用来描述“对象之间有没有联系”，映射和函数则用来描述“输入如何唯一对应到输出”。其中，函数更强调输入、规则与输出之间的确定关系。
一、集合的基本思想
1、元素与集合
集合（Set）是由一些确定的、可判定是否属于其中的对象组成的整体。集合中的每个对象称为元素（Element）。
例如，可以把几个数字放在一个集合中：
这里，A 是集合，1、2、3、4 是 A 中的元素。如果某个元素属于集合 A，可以写成：
如果某个元素不属于集合 A，可以写成：
集合关注的是“哪些对象在里面”，而不是这些对象按什么顺序排列。因此：
在集合中，元素通常也不重复计算。例如：
也就是说，集合更关心“成员是什么”，而不是“出现了几次”或“排在什么位置”。
2、有限集与无限集
如果一个集合中元素的个数有限，称为有限集（Finite Set）。例如：
这个集合有 4 个元素。
如果一个集合中元素无限多，称为无限集（Infinite Set）。例如，自然数集合可以写成：
实数集合通常记作：
它包含数轴上所有实数。
有限集容易逐个列举元素，无限集不能用有限长度全部列完，通常需要借助规则、符号或条件描述。
例如，所有大于 0 的实数可以写成：
0\} \end{aligned} $$" helvetica neue", "pingfang sc", "hiragino sans gb", "microsoft yahei ui", yahei", arial, sans-serif;font-size: 16px;line-height: 1.75;max-width: 100%;overflow-x: auto;padding: 0.5em 0px;text-align: center;color: rgb(51, 51, 51);margin-top: 0px !important;margin-bottom: 0px;">
这个式子的意思是：所有属于实数集合，并且满足 x > 0 的 x。
3、子集、交集、并集与补集
如果集合 A 中的每个元素也都属于集合 B，就称 A 是 B 的子集（Subset），记作：
例如：
则：
两个集合共有的元素组成交集（Intersection）：
例如：
则：
两个集合合在一起组成并集（Union）：
对于上面的 A 和 B，有：
如果先规定一个全集 U，那么不属于 A 的元素组成 A 的补集（Complement）：
例如：
则：
图 1：子集、交集、并集与补集的关系
集合运算的意义在于：它可以清楚表达对象之间的包含、重叠、合并和排除关系。
4、集合语言为什么是现代数学的基础
集合语言可以统一描述许多数学对象。
数可以组成集合，点可以组成集合，函数的输入也可以来自集合。比如：
表示 x 是一个实数。
如果写：
则表示 x 只能取 0 或 1。
集合让数学表达更加精确。它不只是在列对象，更是在规定：哪些对象允许出现，哪些对象不在讨论范围内。
5、笛卡尔积：从元素到有序组合
前面讨论集合时，主要关注“哪些元素属于某个集合”。
例如：
它说明 1、2、3 属于集合 A。
但在很多数学问题中，只知道单个元素还不够，还需要把多个元素按顺序组合起来。
例如，平面上的一个点不能只用一个数表示。点的位置通常需要两个数：
这里，x 表示横坐标，y 表示纵坐标。这个二元组合不是简单地把两个数放在一起，而是强调“第一个数有第一个位置的含义，第二个数有第二个位置的含义”。
例如：
因为前者表示横坐标为 2、纵坐标为 5；后者表示横坐标为 5、纵坐标为 2。两个数相同，但顺序不同，表示的位置也不同。
这种按顺序排列的组合，称为有序对（Ordered Pair）。
如果有两个集合 A 和 B，从 A 中取一个元素 a，从 B 中取一个元素 b，组成有序对：
所有这样的有序对组成的集合，称为 A 与 B 的笛卡尔积（Cartesian Product），记作：
可以写成：
这个式子的意思是：A × B 中的每个元素，都是一个有序对；有序对的第一个位置来自 A，第二个位置来自 B。
图 2：笛卡尔积与有序对
例如：
那么：
可以看到，A 中的每个元素都要分别和 B 中的每个元素组合一次。
如果反过来计算：
则得到：
一般情况下：
因为有序对中的位置不同，含义也不同。
笛卡尔积最重要的直觉，是把“单个元素”扩展为“有序组合”。
例如，实数集合为：
那么：
表示所有由两个实数组成的有序对：
这个集合也常写成：
它可以理解为整个二维平面。也就是说，平面上的每一个点，都可以看成：
从函数角度看，函数图像也可以用笛卡尔积来理解。
如果函数为：
那么每一个输入 x 和对应输出 f(x)，可以组成一个有序对：
函数图像就是所有这类有序对组成的集合：
其中，D 表示函数的定义域。
这个式子的意思是：只要 x 是允许输入，就把 x 和它对应的输出 f(x) 配成一个点。所有这样的点放在坐标平面中，就形成函数图像。
在数据分析和机器学习中，笛卡尔积也有非常基础的意义。
一个样本往往不是只有一个数，而是由多个特征组成。例如，一个房屋样本可以写成：
面 积 房 龄 楼 层
这也是一种有序组合。第一个位置表示面积，第二个位置表示房龄，第三个位置表示楼层。顺序不同，含义也会改变。
如果把三个特征分别记为：
那么一个样本可以写成：
更一般地，n 个特征可以组成：
这就是后面学习向量和特征空间时会不断遇到的形式。
因此，笛卡尔积并不是一个孤立的集合运算。它把集合中的元素组织成有序组合，使我们能够描述坐标点、函数图像、输入输出对以及多特征样本。理解笛卡尔积，有助于把“一个数”自然过渡到“一个点”“一个样本”和“一个输入向量”。
二、关系、映射与函数
关系（Relation）描述对象之间是否存在某种联系。
例如，一个学生可以选择某门课程，一个用户可以购买某件商品，一个样本可以属于某个类别。这些都可以看成对象之间的关系。
如果有两个集合 A 和 B，那么从 A 到 B 的关系，可以看成笛卡尔积 A × B 的一个子集。
例如：
小 明 小 红
数 学 英 语
如果小明选择数学，小红选择英语，可以写成关系集合：
小 明 数 学 小 红 英 语
这里，每一个有序对都表示一种对应关系。
关系比函数更宽泛。它只说明对象之间存在某种联系，不一定要求每个对象都有对应结果，也不一定要求对应结果唯一。
1、从关系到映射
映射（Mapping）描述一个集合中的对象如何对应到另一个集合中的对象。
在严格数学语境中，映射通常要求：定义域中的每个元素都有且只有一个对应输出。因此，映射与函数在很多教材中基本同义。
假设有两个集合：
如果规定：
这就是从 A 到 B 的一种映射。可以把它理解为：A 中的每个输入对象，按照某种规则，对应到 B 中的一个输出对象。
2、输入与输出
映射的核心是输入与输出。
如果输入是 x，输出是 y，可以写成：
例如，规则“乘以 2”可以写成：
当 x = 3 时：
当 x = 5 时：
映射强调的是：按照某种规则，把输入对象唯一地对应到输出对象。
3、一对一与多对一
在通常意义上的函数中，每个输入只能对应一个输出。但不同输入之间，可以有不同的对应形态。
一对一表示不同输入对应不同输出。例如：
这里，每个输入不同，输出也不同。严格地说，这种“不同输入对应不同输出”的函数称为单射（Injective Function）。
多对一表示多个不同输入可以对应同一个输出。例如：
这类似于平方关系：
因为 -2 和 2 的平方都等于 4。
多对一仍然可以是函数。原因是：虽然不同输入可以得到相同输出，但每个具体输入仍然只有一个确定输出。
图 3：一对一、多对一与一对多的对应关系
4、一对多为什么通常不是函数
一对多表示一个输入对应多个输出。
例如：
这类似于“求平方根”的关系。因为 2 和 -2 的平方都等于 4，所以 4 的平方根可以是 2，也可以是 -2。
但是，通常意义上的函数要求每个输入只能有一个确定输出。如果同一个输入对应多个输出，就不能直接看作函数。
如果只取非负平方根，可以写成函数：
此时：
输出唯一。
如果要表示负平方根，也可以另设一个函数：
此时：
这样，每个函数内部都保持“一个输入对应一个输出”。
5、关系、映射与函数的区别
关系、映射和函数都可以描述对象之间的对应，但严格程度不同。
关系最宽泛。它只说明对象之间存在某种联系，可以不覆盖所有输入，也可以允许一个输入对应多个输出。
映射通常要求定义域中的每个元素都有唯一对应输出。在很多数学语境中，映射与函数基本同义。
在本文的基础学习语境中，可以把函数理解为一种强调输入、输出和计算规则的映射，尤其常用于数值变量、函数图像、模型预测和优化问题。
因此，可以这样理解：
关系回答的是：对象之间有没有联系。
映射回答的是：定义域中的对象如何唯一对应到另一个集合中的对象。
函数侧重强调：输入经过确定规则产生唯一输出。
在后续学习中，机器学习模型通常可以理解为函数：输入数据，输出预测结果。训练模型的过程，就是根据数据调整这个函数中的参数，使输入输出关系更加符合目标。
三、函数的基本概念
1、函数是确定的输入输出规则
函数（Function）可以理解为满足“每个输入都有唯一输出”的对应规则。它把定义域中的每个输入，按照确定规则，对应到唯一输出。可以写成：
这表示函数 f 把集合 A 中的元素映射到集合 B 中。如果 x 属于 A，那么 f(x) 是它对应的输出：
例如：
当 x = 3 时：
这里，3 是输入，7 是输出。
2、定义域
定义域（Domain）是函数允许输入的集合。
例如：
如果只在实数范围内讨论，x 不能小于 0。因此，定义域可以写成：
定义域非常重要。因为同一个公式，如果定义域不同，表示的函数也可能不同。
例如：
如果定义域是全体实数，它不是一对一的；如果定义域限制为 x ≥ 0，它就变成一对一。
3、陪域与值域
在函数：
中，A 是定义域，B 称为陪域（Codomain），表示函数输出被规定落入的集合。
值域（Range）是函数实际能够输出的值组成的集合。值域一定是陪域的子集，但不一定等于陪域。
图 4：定义域、陪域与值域的关系
例如：
表示函数从实数到实数。但如果：
那么它的实际输出只覆盖非负实数。因此，它的值域是：
这个例子说明：函数被规定输出到实数集合中，但实际输出并没有覆盖所有实数。
4、函数值
函数值（Function Value）是函数在某个输入处的输出。
例如：
当 x = 4 时：
这里，f 是函数，f(4) 是函数值。
函数本身是一条规则，函数值是这条规则在某个输入处得到的结果。把 f 和 f(4) 区分开，是理解后续模型、损失函数和优化问题的重要基础。
四、函数记号与输入输出关系
1、y = f(x) 的含义
函数关系常写成：
这表示：输出 y 由输入 x 经过规则 f 得到。
函数记号的意义在于：它把“输入”“规则”和“输出”清楚地区分开来。
2、x、f、y 分别表示什么
在 y = f(x) 中，x、f、y 扮演不同角色。
x是输入变量，表示可以代入函数的对象。
f是函数规则，说明输入如何被处理。
y是输出变量，表示经过函数规则后得到的结果。
例如：
也可以写成：
这里，x 是输入，规则是“乘以 2 再加 1”，y 或 f(x) 是输出。
需要特别注意，f 不是一个具体数值，而是完整的规则；f(x) 才是规则作用在输入 x 上得到的结果；y 通常用来表示这个输出结果。
3、函数图像中的对应关系
函数图像可以把输入输出关系画出来。
对于函数：
每一个输入 x 都对应一个输出 y。
例如：
这些输入输出对可以写成点：
把这些点放在坐标系中，就能看到函数图像。
图 5：函数图像中的输入与输出对应关系
从集合角度看，函数图像就是所有输入输出有序对组成的集合。
五、函数的基本性质
1、单调性
单调性（Monotonicity）描述函数值随着输入增加而如何变化。
图 6：函数的单调性
如果 x 增大时，函数值也随之增大，就称函数具有递增趋势。
例如：
当 x 增大时，f(x) 也增大。这个函数是递增的。
更准确地说，单调性通常在某个区间上讨论。
如果在区间 I 内，对任意 x₁、x₂ ∈ I，当 x₁ < x₂ 时，总有 f(x₁) ≤ f(x₂)，就称函数在区间 I 上单调不减，也常称为广义的单调递增。
写成公式就是：
如果进一步总有 f(x₁) < f(x₂)，则称函数在区间 I 上严格递增：
二者的区别在于：单调不减允许函数值保持不变，严格递增则要求函数值必须变大。
相反，如果 x 增大时，函数值减小，就称函数具有递减趋势。
例如：
当 x 从 1 增加到 2 时：
输出反而变小。
单调性帮助我们理解函数图像的整体方向：是向上走、向下走，还是有时上升、有时下降。
2、奇偶性
奇偶性（Parity）描述函数图像的对称性。
图 7：函数的奇偶性
如果函数满足：
就称它是偶函数（Even Function）。
例如：
因为：
所以 x² 是偶函数。偶函数的图像关于 y 轴对称。
如果函数满足：
就称它是奇函数（Odd Function）。
例如：
因为：
所以 x³ 是奇函数。奇函数的图像关于原点对称。
需要注意，不是所有函数都有奇偶性。例如：
一般既不是奇函数，也不是偶函数。
讨论奇偶性时，通常要求函数的定义域关于 0 对称。否则，比较 f(x) 和 f(-x) 就可能没有意义。
奇偶性让我们从“计算函数值”进一步看到函数图像的结构之美：有些函数虽然输入正负不同，但输出表现出清晰的对称规律。
3、反函数初步
反函数（Inverse Function）描述“能否从输出反过来找回输入”。
图 8：反函数与关于 y = x 的对称关系
若函数 f 在定义域 D 与值域 V 之间形成一一对应，那么可以定义反函数：
它把原函数的输出重新对应回原来的输入。
例如：
如果知道：
想从 y 反推 x，可以移项：
所以：
这说明，对于函数 f(x) = 2x + 1，如果输出是 y，那么原来的输入是：
因此，它的反函数可以写成：
有时也写成：
这里的 x 只是反函数中的输入变量。
需要注意：
表示反函数，不表示：
二者含义完全不同。
并不是所有函数在原定义域上都有反函数。只有当输出能够唯一确定输入时，才可以在相应范围内定义反函数。
例如：
如果输出是 4，输入可能是 2，也可能是 -2。因此，在全体实数范围内，x² 没有通常意义上的反函数。
但如果把定义域限制为 x ≥ 0，那么：
就可以反过来得到：
这说明，反函数与定义域密切相关。
4、复合函数初步
复合函数（Composite Function）描述“一个函数的输出作为另一个函数的输入”。
假设有两个函数：
如果先用 g 处理 x，再把结果交给 f，就得到 f(g(x))。
先计算：
再代入 f：
这就是一个复合函数。
图 9：简单复合函数示意
复合函数的顺序很重要。如果反过来，先计算 f(x)，再交给 g，就得到：
一般来说：
例如，当 x = 2 时：
而：
二者结果不同。
复合函数很重要。因为许多复杂模型都可以理解为多个简单函数逐层组合起来的结果。输入先经过第一层规则，再经过第二层规则，最后得到输出。
从这个角度看，复合函数是理解计算图、神经网络和多层模型的重要基础。
六、多变量函数初步
1、一个输出可以依赖多个输入
前面看到的函数通常只有一个输入 y = f(x)。但在很多问题中，一个输出会同时依赖多个输入。
例如，一个房屋价格可能同时与面积、地段、楼层、房龄有关。
如果只考虑面积 x₁ 和房龄 x₂，可以写成：
这里，输出 y 由两个输入共同决定。
2、从 y = f(x) 到 z = f(x, y)
单变量函数可以写成：
其中，一个输入对应一个输出。
多变量函数可以写成：
这里，x 和 y 是两个输入变量，z 是输出变量。
例如：
当 x = 1，y = 2 时：
多变量函数把“一个输入影响一个输出”扩展为“多个输入共同影响一个输出”。
3、多变量函数的图像直觉
单变量函数 y = f(x) 的图像通常是一条曲线。多变量函数 z = f(x, y) 的图像可以理解为一个曲面。
例如：
当 x 和 y 离原点越远时，z 越大。这个函数的图像像一个向上打开的碗。
图 10：多变量函数 z = x² + y² 的曲面直觉
多变量函数不一定都容易画出来。输入变量越多，就越难直接可视化，但它仍然表示输入与输出之间的规则。
4、多变量函数在数据分析中的基础地位
多变量函数是数据分析和机器学习中的基本形式。一个样本通常由多个特征组成：
模型可以看成把这些输入特征映射为预测结果的函数：
图 11：多变量函数从多个输入到一个输出
这说明，多变量函数把“多个因素共同决定一个结果”的关系形式化，是理解特征空间、回归模型和神经网络输入结构的基础。
七、Python 示例：用函数表示输入输出关系
1、定义简单函数
在 Python 中，可以用 def 定义函数。
下面定义一个简单函数：
它对应数学函数：
这里，x 是输入，return 后面的表达式给出输出。
2、计算函数值
调用函数时，需要给它一个具体输入。
输出为：
5对应数学计算：
函数本身是 f，函数值是 f(0)、f(1)、f(2)。
3、绘制输入与输出的对应关系
下面用 Python 绘制函数：
这段代码体现了一个基本过程：先给定输入 x，再按照函数规则计算 y，最后把输入输出关系画出来。
这正是函数思想在程序中的直接体现。
4、观察简单复合函数的输入输出变化
下面用 Python 观察复合函数的计算过程。
先定义两个函数：
如果先计算 g(x)，再计算 f(g(x))，可以写成：
可以计算几个输入对应的输出：
这段代码的含义是：每个 x 先经过 g，得到 x²；再经过 f，得到 2x² + 1。
也可以比较函数复合顺序的影响：
它们的计算顺序不同，结果通常也不同。
这说明，复合函数不仅关心“有哪些函数”，还关心“函数按照什么顺序连接起来”。
八、常见误解
1、把函数只理解成简单公式
函数不一定必须写成简单公式。它可以由公式、表格、程序、算法或复杂规则给出。
关键不在于形式是否简单，而在于：每个允许输入是否有唯一确定的输出。
例如，天气预测函数、图像识别函数、推荐系统评分函数，可能没有简洁表达式，但仍可以从函数角度理解：输入某些信息，输出某个结果。
2、把函数值和函数本身混淆
函数本身是规则，函数值是结果。
例如：
表示一条完整规则。
而：
只是这个规则在 x = 2 时得到的结果。不能把 f 和 f(2) 当成同一类对象。
3、不理解定义域的重要性
定义域决定了哪些输入是允许的。
例如：
在实数范围内，x 不能取 0。
如果忽视定义域，就可能把没有意义的输入代入函数。因此，理解函数时不能只看公式，还要看定义域。
4、把一对多关系误认为函数
判断一个对应关系是不是通常意义上的函数，关键要看：每个允许输入是否只有一个确定输出。
“4 对应 2 和 -2”属于平方根关系，不是函数；如果规定只取非负平方根，就得到函数 f(x) = √x。
小结
集合规定对象范围，笛卡尔积形成有序组合，关系描述对象联系，映射与函数描述唯一对应。理解定义域、值域、函数性质与复合思想，是学习模型预测和输入输出映射的基础。
“点赞有美意，赞赏是鼓励”
热门跟贴