Cursor는 재현 가능한 환경, 노트북 지원, 그리고 AI 기반 코드 지원을 통해 데이터 사이언스 개발을 위한 통합 도구를 제공해. 이 가이드는 Python, R, SQL 워크플로우를 위한 필수 설정 패턴을 다뤄.

​
노트북 개발

전체 노트북 지원을 위해 ms-toolsai에서 배포한 Jupyter 확장(아이디: ms-toolsai.jupyter)을 다운로드해.
Cursor는 통합 셀 실행이 가능한 .ipynb와 .py 파일을 모두 지원해. Tab, Inline Edit, 그리고 Agents는 다른 코드 파일에서처럼 노트북에서도 동일하게 작동해. 핵심 기능:
  • 인라인 셀 실행으로 에디터 인터페이스에서 바로 코드를 실행할 수 있어
  • Tab, Inline Edit, 그리고 Agent는 pandas, NumPy, scikit-learn, 그리고 SQL 매직 커맨드를 포함한 데이터 사이언스 라이브러리를 이해해

​
데이터베이스 통합

데이터베이스는 두 가지 주요 방식(MCP 서버와 확장 기능)을 통해 Cursor와 통합할 수 있어.
  • MCP 서버는 Agents가 네 데이터베이스에 연결하도록 해줘
  • **확장 기능(Extensions)**은 IDE 전반을 네 데이터베이스와 통합해줘

​
MCP를 통한 통합

MCP 서버를 사용하면 agent가 데이터베이스에 직접 쿼리를 보낼 수 있어. 이를 통해 agent는 데이터베이스를 조회할지 결정하고, 적절한 쿼리를 작성하고, 명령을 실행하고, 출력 결과를 분석하는 일을 진행 중인 작업의 일부로 처리할 수 있어. 예를 들어, 다음 MCP 설정을 Cursor에 추가해서 Postgres 데이터베이스를 네 Cursor 인스턴스에 연결할 수 있어: 
{
  "mcpServers": {
    "postgres": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-postgres",
        "postgresql://localhost/mydb"
      ]
    }
  }
}
MCP에 대해 더 알아보려면 MCP 문서를 참고해줘.

​
확장 기능을 통한 통합

에디터에서 바로 쿼리를 실행하려면 데이터베이스별 확장 기능(PostgreSQL, BigQuery, SQLite, Snowflake)을 설치해. 이렇게 하면 도구 간 컨텍스트 전환이 줄어들고, 쿼리 최적화를 위한 AI 도움도 받을 수 있어. 
-- Cursor는 인덱스, 윈도 함수, 쿼리 최적화에 대한 제안을 제공해
SELECT
    user_id,
    event_type,
    COUNT(*) as event_count,
    RANK() OVER (PARTITION BY user_id ORDER BY COUNT(*) DESC) as frequency_rank
FROM events
WHERE created_at >= NOW() - INTERVAL '7 days'
GROUP BY user_id, event_type;
느린 쿼리를 분석하고 성능 개선을 제안하거나, 쿼리 결과에 대한 시각화 코드를 생성하는 데 Agents를 활용해봐. Cursor는 SQL 컨텍스트를 이해하고 네 데이터 구조에 맞춰 적절한 차트 유형을 추천할 수 있어.
Snowflake Extension

​
데이터 시각화

Cursor의 AI 지원은 Matplotlib, Plotly, Seaborn 같은 데이터 시각화 라이브러리까지 확장돼. 에이전트는 데이터 시각화 코드를 생성해, 데이터를 빠르고 쉽게 탐색하면서 재현 가능하고 공유하기 쉬운 아티팩트를 만들 수 있게 도와줘. 
import plotly.express as px
import pandas as pd

# AI가 데이터 컬럼을 기반으로 적합한 플롯 유형을 제안해
df = pd.read_csv('sales_data.csv')
fig = px.scatter(df, x='advertising_spend', y='revenue',
                 color='region', size='customer_count',
                 title='Revenue vs Advertising Spend by Region')
fig.show()

​
자주 묻는 질문

기존 Jupyter 노트북을 사용할 수 있어? 가능해. Cursor는 .ipynb 파일을 열어서 셀 실행과 AI 보완 기능을 완전히 지원해. 메모리에 안 들어가는 대용량 데이터셋은 어떻게 처리해? Dask 같은 분산 컴퓨팅 라이브러리를 쓰거나 Remote-SSH로 더 큰 머신의 Spark 클러스터에 연결해. Cursor가 R이랑 SQL 파일도 지원해? 맞아. Cursor는 R 스크립트(.R)와 SQL 파일(.sql)에 대해 AI 지원과 문법 하이라이트를 제공해. 개발 환경은 어떻게 공유하는 게 좋아? .devcontainer 폴더를 버전 관리에 커밋해 둬. 팀원이 프로젝트를 열 때 환경을 자동으로 다시 구성할 수 있어. 데이터 처리 파이프라인은 어떻게 디버깅해? Python 스크립트에 브레이크포인트를 걸고 Cursor의 통합 디버거를 쓰거나, Agent를 활용해서 복잡한 데이터 변환을 단계별로 분석하고 설명받아.

​
환경 재현성

​
개발 컨테이너

개발 컨테이너는 팀원과 배포 환경 전반에서 런타임과 의존성을 일관되게 유지하도록 도와줘. 환경별 버그를 줄이고 신규 팀원의 온보딩 시간을 단축할 수 있어. 개발 컨테이너를 사용하려면 먼저 리포지토리 루트에 .devcontainer 폴더를 만들어. 다음으로 devcontainer.json, Dockerfile, requirements.txt 파일을 생성해. 
// .devcontainer/devcontainer.json
{
  "name": "ds-env",
  "build": { "dockerfile": "Dockerfile" },
  "features": {
    "ghcr.io/devcontainers/features/python:1": { "version": "3.11" }
  },
  "postCreateCommand": "pip install -r requirements.txt"
}

# .devcontainer/Dockerfile
FROM mcr.microsoft.com/devcontainers/python:3.11
COPY requirements.txt .
RUN pip install --upgrade pip && \
    pip install -r requirements.txt

# requirements.txt
pandas==2.3.0
numpy
# 프로젝트에 필요한 다른 의존성을 추가해
Cursor가 devcontainer를 자동으로 감지해서 컨테이너에서 프로젝트를 다시 열도록 안내할 거야. 또는 Command Palette(Ctrl+Shift+P)에서 Reopen in Container를 검색해 수동으로 컨테이너에서 다시 열 수도 있어. 개발 컨테이너의 장점:
  • 의존성 격리로 프로젝트 간 충돌 방지
  • 재현 가능한 빌드로 개발·프로덕션 환경 전반에서 일관된 동작 보장
  • 간소화된 온보딩으로 수동 설정 없이 신규 팀원이 바로 시작 가능

​
SSH를 통한 원격 개발

분석에 추가 컴퓨트 리소스, GPU, 혹은 프라이빗 데이터셋 접근이 필요할 때는 로컬 개발 환경을 유지한 채 원격 머신에 연결해.
  1. 필요한 리소스를 갖춘 클라우드 인스턴스를 프로비저닝하거나 온프레미스 서버에 접근해
  2. .devcontainer 구성과 함께 리포지토리를 원격 머신에 클론해
  3. Cursor에서 연결: Ctrl+Shift+P → “Remote-SSH: Connect to Host”
이 방식은 필요한 만큼 컴퓨트 리소스를 확장하면서도 일관된 툴체인을 유지해. 동일한 개발 컨테이너 구성이 로컬과 원격 환경 모두에서 그대로 동작해.