이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
가장 많이 활용한 Python 프로젝트는 사용자 행동 로그 분석이었습니다. 데이터 처리에는 pandas를 주로 쓰고, 집계 로직이 복잡할 때는 SQL과 pandas를 병행했습니다. 시각화는 matplotlib과 seaborn으로 기본 차트를 만들고, 인터랙티브 대시보드가 필요할 때는 plotly를 사용했습니다. 머신러닝 실험에서는 scikit-learn으로 전처리와 모델링을 했고, 피처 엔지니어링 단계에서 시간이 가장 오래 걸렸습니다. 작업 환경은 주피터 노트북으로 시작해서 재사용 가능한 코드는 모듈로 분리했습니다.
패키지 선택보다 각 패키지의 한계를 아는 것이 더 중요하다고 느꼈습니다.
Python 프로젝트에서 패키지를 선택할 때, 제가 중요하게 생각하는 건 "왜 이 패키지인가"를 설명할 수 있는 근거를 갖는 것입니다. 같은 기능을 하는 패키지가 여러 개 있을 때, 근거 없이 선택하면 나중에 한계가 생겼을 때 왜 그걸 골랐는지 설명하기 어려웠습니다. 데이터 분석 과제에서 데이터프레임 처리를 위해 패키지를 선택할 때, 처음에는 익숙한 것을 바로 썼습니다. 규모가 커지자 처리 속도가 느려지는 문제가 생겼고, 더 빠른 대안이 있다는 걸 그때 알았습니다. 이후 패키지를 선택할 때 처리 속도·문서 품질·유지 관리 상태를 기준으로 간단히 비교하는 방식을 써봤습니다. 아직 대규모 프로젝트에서 패키지 선택을 공식으로 결정한 경험은 없습니다. 하지만 패키지 선택은 빠른 선택이 아니라 기준을 가지고 골라야 나중에 바꾸는 비용이 줄어든다는 감각은 생겼습니다.
Python 패키지 경험에서 솔직히 느낀 건, 어떤 패키지도 모든 상황에 맞지 않는다는 것입니다. 처음에 잘 맞았던 패키지가 데이터 규모가 커지거나 요구사항이 바뀌면 한계가 드러났습니다. 데이터 수집 프로젝트에서 웹 파싱에 쓰던 패키지가 JavaScript 렌더링이 필요한 페이지에서 데이터를 가져오지 못하는 상황이 생겼습니다. 처음 선택할 때 이 한계를 몰랐고, 해결책을 찾는 데 예상보다 많은 시간이 걸렸습니다. 이후로는 패키지를 선택할 때 "이 패키지가 못 하는 것이 무엇인가"를 함께 확인하는 방식을 써봤습니다. 한계를 미리 알면 보완 방법을 미리 찾아두거나 대안 패키지를 병행하는 방향을 잡을 수 있었습니다. 아직 복잡한 파이썬 프로젝트 경험은 없습니다. 하지만 패키지 선택에서 기능보다 한계를 먼저 파악하는 것이 장기적으로 더 안정적인 결정이라는 감각은 생겼습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 호텔신라 공통직무·미지정 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.