С какими структурами данных чаще всего работал

Чаще всего работал с табличными данными (DataFrame в Pandas, SQL-таблицы), массивами (NumPy), списками и словарями в Python. Для обработки текстов — строки и токенизированные последовательности (списки, тензоры в PyTorch/TensorFlow). В ML-моделях — разреженные матрицы (scipy.sparse) и графы (NetworkX).

Пример:

import pandas as pd
import numpy as np

# DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': ['x', 'y', 'z']})

# NumPy массив
arr = np.array([[1, 2], [3, 4]])

# Словарь для хранения признаков
features = {'age': 30, 'income': 100000}

Для сложных структур (деревья, графы) использовал специализированные библиотеки, например, sklearn для деревьев решений или NetworkX для анализа соцсетей.