С каким опытом работы с библиотеками Python вы сталкивались?
Что проверяют
Для аналитика библиотека это способ ответить на вопрос бизнеса, поэтому проверяют не эрудицию, а рабочий процесс: где вы считаете агрегаты, как соединяете источники, чем проверяете гипотезу и умеете ли объяснить результат без библиотечного жаргона. Отдельно смотрят на аккуратность, данные легко испортить незаметно.
Как отвечать
Постройте ответ по этапам анализа.
- Забор данных: запрос к базе, выгрузка по частям, если таблица большая, разумное разделение труда между SQL и кодом.
- Подготовка: соединение источников и контроль кратности ключа, пропуски, типы дат и часовые пояса, экономные типы для повторяющихся значений.
- Расчёт: группировки, оконные функции, когорты, доли и накопительные итоги.
- Проверка гипотез: статистические критерии и регрессия, проверка условий применимости, поправка при множественных сравнениях.
- Подача: график, который читается без пояснений, и вывод одним предложением.
Сильная деталь: расскажите, как именно ловили ошибку в данных. Например, после соединения выросло число строк, и это оказалась потерянная уникальность ключа, или сумма перестала сходиться с отчётом из-за дублей и отфильтрованных пропусков.
Где спотыкаются
Тянут сырую таблицу целиком и агрегируют её в памяти. База сделает это быстрее и дешевле, а выгрузка миллионов строк ради одной суммы выглядит как непонимание, где вообще нужно считать.
Соединяют таблицы, не проверив кратность ключа. Строки тихо дублируются, метрика раздувается, а ошибка всплывает уже в отчёте у заказчика. Помогает простая привычка: сравнить число строк до и после соединения и явно задать ожидаемый тип соответствия.
Применяют критерий, не глядя на его условия, и трактуют достигнутый уровень значимости как вероятность того, что гипотеза верна. Для аналитика это тяжёлая ошибка: она ставит под сомнение все выводы, а не только текущий расчёт.