С какими основными пакетами для анализа данных вы работали

Что проверяют

Умеете ли вы связать инструмент с задачей и знаете ли, где заканчивается pandas. Список названий есть у всех, поэтому ценность ответа в том, какую задачу вы каким пакетом закрывали и почему не другим.

Как отвечать

Идите по этапам работы с данными.

• Загрузка и подготовка: pandas для табличных данных, pyarrow и формат parquet вместо csv, polars или duckdb, когда набор перестал помещаться в память или группировки стали слишком медленными.
• Численные операции: numpy как основа, scipy для статистики и оптимизации, statsmodels, когда нужны не предсказания, а интерпретируемые коэффициенты и значимость.
• Модели: scikit-learn с Pipeline и ColumnTransformer, градиентный бустинг через xgboost, lightgbm или catboost, pytorch для нейросетей.
• Визуализация и проверка данных: matplotlib и seaborn для разведочного анализа, plotly для интерактивных отчётов, pandera или great_expectations для контрактов на входные данные.
• Вокруг: jupyter для черновика, mlflow для журнала экспериментов, версии пакетов закреплены в файле зависимостей.

Дальше разберите один случай целиком: какие были данные, что выбрали, что не сработало. Это ценнее ещё пяти названий.

Где спотыкаются

Перечисляют пакеты без задач. На вопрос «почему здесь бустинг, а не линейная модель» или «почему polars, а не pandas» ответа не находится, и список превращается в строчку из резюме.

Второе: считают в pandas циклами. iterrows на сотнях тысяч строк и цепочки индексаций вместо векторных операций и merge дают и медленный код, и предупреждение о записи в копию, за которым обычно прячется потерянное изменение.

Третье: утечка целевой переменной. Масштабирование и кодирование категорий, посчитанные до разбиения на обучение и контроль, дают красивую метрику, которая не повторяется на новых данных. Ради этого сборка и заворачивается в Pipeline внутри кросс-валидации.