면접관이 이 한 문장으로 확인하려는 것들. 각 갈래를 알면 답의 뼈대가 잡혀요.
저는 데이터 분석 수업에서 Pandas를 사용해 대학 도서관 대출 데이터 3년치(약 45,000건)를 분석했습니다. 먼저 CSV 파일을 읽어 read_csv() 함수로 로드했고, 월별·학과별·시간대별 3가지 관점으로 데이터를 나눴습니다. 특히 그룹화(groupby)와 피벗 테이블을 사용해 피크타임(오후 2~6시)에 특정 학과(공학대) 대출이 3배 이상 집중되는 패턴을 발견했습니다. 이 분석을 기반으로 도서관에 "공학대 열람실 추가 확충" 제안을 했고, 실제 예산 검토 대상이 되었습니다.
처음 Pandas로 데이터를 처리할 때 저는 모든 행을 개별적으로 확인했습니다. 반복문(for loop)으로 각 행을 순회하며 수작업으로 검증하고 정제했거든요. 하지만 10,000건 정도만 처리해도 시간이 엄청 걸렸습니다. 그러다 벡터화(vectorization) 개념을 배웠고, 조건부 필터링(boolean indexing)으로 한 번에 처리하는 방식으로 바꿨습니다. 결과는 놀라웠습니다 — 같은 작업이 100배 빨라졌습니다. 이 경험에서 배운 점은 "더 큰 데이터를 다루려면 효율성을 먼저 생각해야 한다"는 것입니다.
매장 재고 데이터셋(약 50개 매장, 월 5,000건)을 처리하는 프로젝트에서 Pandas를 본격적으로 사용했습니다. 데이터 로드(read_csv) → 결측치 처리(fillna, dropna) → 그룹별 집계(groupby) → 이상치 탐지 → 시각화(plot) 단계를 거쳤습니다. 특히 merge 함수로 여러 테이블을 결합할 때, 조인 방식(inner/left/outer)을 정확히 이해하는 게 중요했습니다. 잘못된 조인 방식 때문에 데이터가 손실되는 실수도 있었는데, 그 이후로는 항상 조인 전후 행 개수를 확인하는 습관을 들였습니다. 이 프로젝트 전체를 통해 Pandas는 단순 도구가 아닌 데이터 사고의 파트너라고 느꼈습니다.
같은 실수가 반복돼요. 이것만 피해도 절반은 갑니다.
진짜 면접은 두 번째 질문부터예요. 이 답 뒤에 따라올 법한 것들.