本文介绍如何根据一组经过筛选的二元组合（如满足和大于14的数对），自动还原出能生成全部（或部分）该组合的最小原始元素集合，核心在于提取所有出现过的唯一元素并验证其组合闭包。
本文介绍如何根据一组经过筛选的二元组合（如满足和大于14的数对），自动还原出能生成全部（or部分）该组合的最小原始元素集合，核心在于提取所有出现过的唯一元素并验证其组合闭包。
在组合分析与逆向重构任务中，一个常见需求是：给定一组满足特定条件的 2 元组（例如 itertools.combinations(M, 2) 的子集），判断它们是否可能源自某个更小的原始集合 $S$，并尝试恢复该集合。本质上，这是在求这些二元组在并集意义下的支撑集（support set）——即所有出现在任一数对中的元素构成的集合。
最直接且可靠的起点是提取所有唯一元素。例如，对于输入组合列表：
combos = [(5.0, 10.0), (6.0, 9.0), (6.0, 10.0), (7.0, 8.0),
(7.0, 9.0), (7.0, 10.0), (8.0, 9.0), (8.0, 10.0), (9.0, 10.0)]
我们可通过集合推导式高效获取所有参与组合的原始数值：
support_set = {x for pair in combos for x in pair}
# 输出: {5.0, 6.0, 7.0, 8.0, 9.0, 10.0}
该集合即为必要支撑集（necessary support）：任何能生成全部 combos 的原始列表，必须包含其中所有元素。但注意：它不一定是“最小可行集”——因为并非 support_set 的所有两两组合都一定出现在 combos 中（如 (5.0, 6.0) 缺失，因其和 ≤ 14，被原始过滤条件剔除）。因此，support_set 是还原的下界，而非最终答案。
若需进一步识别内部稠密子结构（如 (7,8,9,10) 能生成全部 6 个满足条件的组合），可采用图论建模：将每个数视为顶点，每个有效数对视为无向边，然后寻找最大团（maximal cliques）或高密度连通子图。例如，使用 networkx：
import networkx as nx
G = nx.Graph()
G.add_edges_from(combos)
# 查找大小 ≥ 3 的极大团（即完全子图）
cliques = [c for c in nx.find_cliques(G) if len(c) >= 3]
# 可能输出: [{7.0, 8.0, 9.0, 10.0}, {6.0, 9.0, 10.0}]
这能系统性地发现潜在的“隐含原始子集”。而孤立数对（如 (5.0, 10.0)）在图中仅构成一条边，无法形成团，印证了它无法单独由更小集合“自洽生成”——它必须依附于更大的支撑集（此处是 {5.0, 6.0, 7.0, 8.0, 9.0, 10.0}）。
注意事项：
- 浮点数比较需谨慎，建议在加载数据后统一转为 int（若业务允许）或使用 np.round() 消除精度误差；
- support_set 是必要非充分条件：它保证覆盖所有出现元素，但不保证其所有组合都满足原始过滤逻辑；
- 若目标是最小集合 S 使得 combos ⊆ combinations(S, 2)，则 support_set 就是最优解；若要求 combos == combinations(S, 2)（即完全匹配），则需额外验证 len(combos) == len(list(combinations(support_set, 2)))，通常不成立，此时需搜索子集或使用约束求解器。
综上，从组合反推原始集合的核心是“去嵌套 + 去重 + 验证”，配合图模型可深入挖掘隐含结构。
