Для чего использовал библиотеки pandas, numpy, matplotlib

Что проверяют

Работали ли вы с этими библиотеками руками или знаете их по названиям. Вопрос открытый, поэтому следом почти всегда идёт уточнение по вашему же примеру: как делали группировку, почему не цикл, как справлялись с памятью на большом файле.

Как отвечать

Стройте ответ на одном-двух реальных сценариях, а не на перечне возможностей. Каркас:

• задача: откуда данные и что с ними нужно было сделать. Выгрузка из базы, логи, CSV от заказчика, отчёт для менеджеров;
• pandas: что конкретно применяли. read_csv с явными dtype и parse_dates, merge для склейки источников, groupby с agg, pivot_table, пропуски через isna и fillna, строки в category ради памяти;
• numpy: векторные операции и broadcasting вместо циклов, маски, np.where, матрицы. Хорошо, если вы понимаете, что pandas хранит колонки в массивах numpy и векторизация быстрее именно поэтому;
• matplotlib: объектный интерфейс fig, ax = plt.subplots(), несколько графиков на одной фигуре, savefig для отчётов. Можно упомянуть seaborn поверх него;
• результат: что изменилось. Отчёт, который собирали руками, стал скриптом, нашли ошибку в данных, ускорили расчёт. Цифры называйте свои и только те, которые готовы объяснить.

Если опыта в продакшене нет, так и скажите и опишите учебный проект или датасет с Kaggle: что загрузили, какие вопросы задали данным, какой график получился. Это честнее и убедительнее выдуманных процентов. Для больших объёмов уместно упомянуть чтение файла кусками через chunksize или polars.

Где спотыкаются

Перечисляют функции без контекста. Фраза «делал группировки и графики» ничего не говорит о вашем уровне.

Называют iterrows или apply по строкам основным инструментом. Интервьюер сразу спросит про векторизацию, и выяснится, что её не было.

Не могут объяснить SettingWithCopyWarning и цепочечное присваивание вроде df[df.a > 0]["b"] = 1. Правильно писать через .loc, а в режиме Copy-on-Write такое присваивание вообще не меняет исходную таблицу.