数据科学中，使用大写X与小写x有何区别？为何y采用全小写形式？

这是个非常实用的问题！在数据科学和机器学习领域，变量的大小写其实是行业通用的命名惯例，目的是让代码更易读、团队协作更顺畅。下面具体拆解：

大写X vs 小写x的区别 #

• 大写X：几乎总是代表特征矩阵（Feature Matrix），是一个二维数据结构（比如NumPy数组、Pandas DataFrame）。每一行对应一个独立的样本，每一列对应一个特征。比如你的示例代码里：

  X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
  

  这里的X是4行2列的矩阵，对应4个样本，每个样本有2个特征。
• 小写x：通常代表单个样本的特征向量，是一维结构（或者二维结构中的一行）。比如你代码里预测时用到的np.array([[3, 5]])，如果单独拿出来赋值给x，就是一个单样本的特征向量：x = np.array([3,5])。

为什么y用全小写？ #

小写y是**目标变量/标签向量（Target Vector）**的标准命名，它是一维结构，每个元素对应X中对应行样本的目标值（回归问题是连续值，分类问题是类别标签）。示例里的y就是通过特征矩阵计算得到的目标向量：

y = np.dot(X, np.array([1, 2])) + 3

这里y是长度为4的一维数组，每个值对应X中4个样本的输出结果。

补充说明 #

这些约定不是强制的语法规则，但几乎所有主流机器学习库（比如scikit-learn、TensorFlow、PyTorch）和学术资料都遵循这个习惯。统一的命名能让你快速理解代码逻辑，也方便和其他开发者交流。比如scikit-learn的fit()方法默认接受X（特征矩阵）和y（目标向量）作为参数，就是基于这个惯例。

完整示例代码 #

import numpy as np
from sklearn.linear_model import LinearRegression
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3
reg = LinearRegression().fit(X, y)
reg.score(X, y)
reg.coef_
reg.intercept_
reg.predict(np.array([[3, 5]]))

内容的提问来源于stack exchange，提问作者user14911341