Claude Code로 Jupyter 노트북을 분석하는 방법 | Data Science 실무 가이드와 한계

Name

Soren Atelier

업데이트 2026. 4. 15.

Claude Code는 Jupyter 노트북을 읽고 요약하고 수정할 수 있습니다. 하지만 현재 kernel, 변수 상태, 실행 흐름까지 실시간으로 다루는 notebook-native AI는 아닙니다. 실제로는 .ipynb를 구조화된 파일로 취급하는 성격이 더 강합니다.

이 차이는 Data Science에서 중요합니다. 일반적인 소프트웨어 개발에서는 파일 단위 이해만으로도 충분할 수 있지만, notebook 작업은 실행 순서, DataFrame, 출력, 그래프, 실험 문맥이 핵심이기 때문입니다.

함께 보면 좋은 글로는 Python Notebook, JupyterLab vs Notebook, Jupyter AI RunCell 이 있습니다.

먼저 결론

Claude Code가 잘하는 notebook 작업

Claude Code는 notebook을 정리해야 할 파일로 볼 때 유용합니다.

• notebook 구조 요약
• 각 셀의 역할 설명
• 지저분한 pandas 코드 정리
• markdown 설명 보강
• 너무 긴 셀이나 중복 셀 정리

즉 review와 구조 정리에는 좋지만, live notebook 작업을 그대로 이어가는 데는 한계가 있습니다.

Claude Code는 notebook을 실제로 어떻게 다루는가

여기서 중요한 기능은 두 가지입니다.

• .ipynb를 notebook-aware 하게 읽기
• 셀 단위로 notebook 편집하기

하지만 경계는 여전히 파일입니다.

1. 읽는 것은 notebook JSON이지 live runtime이 아니다

Claude Code는 .ipynb를 파싱해서 셀과 저장된 출력을 꺼내고, 그것을 모델이 읽기 쉬운 구조로 바꿉니다.

하지만 다음은 하지 않습니다.

• kernel 직접 제어
• Jupyter server 직접 제어
• live variable 확인
• 셀 실행
• 실제 rerun 흐름 관리

2. 셀 편집은 가능하지만 본질은 파일 재작성이다

Claude Code는 셀 삽입, 교체, 삭제를 할 수 있고 코드가 바뀌면 오래된 output도 정리합니다.

그래도 본질은 .ipynb 파일 편집이지, Jupyter 실행 상태 자체를 다루는 것은 아닙니다.

Claude Code는 Jupyter Notebook의 파일 구조를 이해하는 것이지, Jupyter 런타임을 이해하는 것은 아닙니다.

(opens in a new tab)

왜 이 차이가 Data Science에서 중요할까

Data Science에서 어려운 것은 Python 문법 자체만이 아닙니다.

• 어떤 셀이 이미 실행됐는지
• 어떤 DataFrame이 현재 기준인지
• 그래프가 최신 데이터 기준인지
• 상류 변경이 하류 셀을 깨뜨렸는지

이 맥락이 없으면 notebook을 읽을 수 있어도 notebook 작업 전체를 이어가기는 어렵습니다.

Jupyter에서는 RunCell이 더 자연스럽다

RunCell (opens in a new tab) 이 여기서 의미가 있는 이유는, notebook 사용자들의 문제는 원래부터 단순히 “AI가 코드를 고쳐주느냐”가 아니기 때문입니다.

실제로 답답한 지점은 보통 이런 것들입니다.

• notebook이 이미 중간까지 실행돼 있어서 어떤 셀이 아직 믿을 만한지 헷갈린다
• 지금 보고 있는 그래프가 최신 데이터 기준인지 바로 확신하기 어렵다
• 위쪽에서 schema나 컬럼명을 조금만 바꿔도 아래 셀들이 줄줄이 영향을 받는다
• agent가 코드는 고칠 수 있어도, 지금 분석이 어느 단계까지 와 있는지는 잘 모른다

그래서 범용 coding agent는 Jupyter에서 “거의 쓸 만한데 뭔가 조금 아쉽다”는 느낌을 주기 쉽습니다. 파일은 읽어도, notebook 안에서 지금 무슨 일이 벌어지고 있는지는 충분히 못 보는 경우가 많기 때문입니다.

RunCell은 일반적인 코딩 도구가 아니라, Jupyter / Data Science 특화 AI Agent에 가깝습니다. 실제 체감으로는 화면을 왔다 갔다 하는 일이 줄고, 셀을 다시 뒤져보는 수고가 줄고, 지금 보고 있는 output이 정말 맞는지 매번 추측하는 일이 줄어듭니다.

notebook review와 구조 정리가 목적이라면 Claude Code도 충분히 쓸 만합니다.

하지만 평소 하는 일이 더 이런 쪽이라면,

• EDA
• 데이터 정리
• feature engineering
• 모델 튜닝
• 그래프를 보면서 notebook을 계속 고쳐 나가는 작업

RunCell이 더 자연스럽게 느껴질 가능성이 큽니다. 목표가 단순히 “코드를 고치는 것”이 아니라 “분석을 끊기지 않게 이어가는 것”이기 때문입니다.

이미 이런 경험이 있다면 차이가 더 분명합니다. agent가 .ipynb를 고쳐줘도, 결국 내가 다시 output을 확인하고, 변수를 보고, 몇 개 셀을 재실행해 봐야 안심이 되는 경우 말입니다. 그런 상황이라면 RunCell (opens in a new tab) 이 더 자연스러운 다음 선택지가 됩니다.

관련 가이드

• Jupyter AI RunCell
• Codex 사용법
• Python Notebook
• JupyterLab vs Notebook
• .ipynb를 HTML로 변환하는 방법