最新的Databricks Certified Data Engineer Professional Exam (Databricks-Certified-Data-Engineer-Professional Korean Version) - Databricks-Certified-Data-Engineer-Professional Korean免費考試真題

A.

B.

C. preds.write.format("delta").save("/preds/churn_preds")

D.

E. preds.write.mode("append").saveAsTable("churn_preds")

A. 스트림-정적 조인의 각 마이크로배치는 해당 마이크로배치 시점의 정적 델타 테이블의 최신 버전을 사용합니다.

B. 스트림 정적 조인은 일관성 문제로 인해 정적 델타 테이블을 사용할 수 없습니다.

C. 스트림-정적 조인의 각 마이크로배치는 작업 초기화 시점의 최신 버전의 정적 델타 테이블을 사용합니다.

D. 체크포인트 디렉터리는 정적 델타 테이블의 업데이트를 추적하는 데 사용됩니다.

E. 체크포인트 디렉터리는 조인에 존재하는 고유 키의 상태 정보를 추적하는 데 사용됩니다.

A.

B.

C.

D.

A. 윈도우 함수를 사용하여 LDP 파이프라인의 update_timestamp와 같은 동일한 파티션 내에서 update_sequence_id를 정렬합니다.

B. AUTO CDC API에서 track_history_column_list를 [event_timestamp, event_id]로 설정합니다.

C. LDP에서 순서가 잘못되었거나 중복된 레코드를 제거하려면 dropDuplicates()를 사용하십시오.

D. AUTO CDC API에서 SEQUENCE BY STRUCT(event_timestamp, update_sequence_id)를 사용하세요.

A. 부착 가능

B. 관리 가능

C. 재시작 가능

D. 볼 수 있음

A. 실행된 코드는 PvSoark였지만 Scala 노트북에서 실행되었습니다.

B. 테이블에 heartrateheartrateheartrate라는 이름의 열이 없습니다.

C. 컬럼 객체를 곱할 수 없으므로 형식 오류가 발생했습니다.

D. 심박수 열이 열로 올바르게 인식되지 않아 구문 오류가 발생했습니다.

E. DataFrame 객체는 곱셈을 할 수 없으므로 유형 오류가 발생했습니다.

A. 실제 운영 환경에서의 코드 개발은 반드시 IDE를 사용하여 수행해야 합니다. 오픈 소스 Spark 및 Delta Lake의 로컬 빌드 환경에서 코드를 실행하면 실제 운영 환경에서의 코드 성능을 가장 정확하게 예측할 수 있습니다.

B. display()를 호출하면 작업이 강제로 트리거되지만, 많은 변환은 논리적 쿼리 계획에만 추가됩니다. 캐싱으로 인해 동일한 로직이 반복적으로 실행되면 의미 있는 결과를 얻을 수 없습니다.

C. Photon은 예약된 작업을 위해 시작된 클러스터에서만 활성화할 수 있으므로, 증분 코드 개발 중에 노트북을 작업으로 실행하고 실행 시간을 추적하려면 Jobs UI를 활용해야 합니다.

D. 개발 노트북에서 코드 실행 시간을 의미 있게 문제 해결하는 유일한 방법은 프로덕션 규모의 데이터와 프로덕션 규모의 클러스터를 사용하여 "모두 실행" 모드로 실행하는 것입니다.

E. Scala는 인터랙티브 노트북을 사용하여 정확하게 테스트할 수 있는 유일한 언어입니다. Scala 코드를 JAR 파일로 컴파일하여 사용할 때 최상의 성능을 얻을 수 있기 때문입니다. 모든 PySpark 및 Spark SQL 로직은 리팩토링해야 합니다.

A. 원시 텔레메트리 데이터를 수집 및 저장하는 스트리밍 테이블을 정의하고, 트럭 ID별 일일 누적 주행 거리 및 연료 효율을 계산하는 스트리밍 테이블을 생성합니다. 실시간 모니터링을 위해 트럭 ID별 최신 위치, 속도 및 연료량을 계산하는 구체화된 뷰를 생성합니다.

B. 원시 텔레메트리 데이터를 수집 및 저장하는 구체화된 뷰를 정의하고, 실시간 모니터링을 위해 트럭 ID별 최신 위치, 속도 및 연료량을 계산하는 스트리밍 테이블을 생성합니다. 보고를 위해 트럭 ID별 일일 누적 주행 거리와 연료 효율을 계산하는 또 다른 구체화된 뷰를 생성합니다.

C. 원시 원격 측정 데이터를 수집 및 저장하기 위한 스트리밍 테이블을 정의하고, 실시간 모니터링을 위해 트럭 ID별 최신 위치, 속도 및 연료량을 계산하는 구체화된 뷰를 생성합니다.
보고를 위해 트럭 ID별 일일 누적 주행 거리 및 연료 효율을 계산하는 또 다른 구체화된 뷰를 생성합니다.

D. 원시 텔레메트리 데이터를 수집 및 저장하는 스트리밍 테이블을 정의하고, 실시간 모니터링을 위해 트럭 ID별로 최신 위치, 속도 및 연료량을 점진적으로 계산하는 스트리밍 테이블을 생성합니다. 보고를 위해 트럭 ID별 일일 누적 주행 거리와 연료 효율을 계산하는 구체화된 뷰를 생성합니다.

A. 일반화된 이름과 속성을 사용하여 루프를 다른 테이블 정의로 감싸고, 내부 테이블의 이름과 속성으로 대체합니다.

B. 파이프라인 매개변수로 제공된 경로에 있는 별도의 파일에서 이러한 테이블에 대한 구성 값을 로드합니다.

C. for 루프에서 서로 다른 입력을 사용하여 구성 값 목록을 테이블 설정의 딕셔너리로 ​​변환합니다.

D. 테이블 이름을 키로 사용하여 구성 값 목록을 테이블 설정 사전으로 변환합니다.

A. 원하는 최종 결과를 얻기 위해 모든 단계가 올바르게 상호 작용하도록 보장합니다.

B. 데이터 품질을 향상시킵니다

C. 배포 및 실행 시간이 더 빠릅니다.

D. 애플리케이션의 전체 사용 사례를 검증합니다.

E. 모든 단계가 분리되어 개별적으로 테스트되므로 문제 해결이 더 쉽습니다.

A. 구조화된 스트리밍은 GPU의 병렬 처리를 활용하여 높은 병렬 데이터 처리량을 달성합니다.

B. 구조화된 스트리밍 모델은 데이터 스트림에 도착하는 새로운 데이터를 무한한 테이블에 추가되는 새로운 행으로 모델링합니다.

C. Structured Streaming은 메시징 버스로 구현되며 Apache Kafka에서 파생되었습니다.

D. 구조화된 스트리밍은 특수 하드웨어와 I/O 스트림을 사용하여 데이터 전송 지연 시간을 1초 미만으로 줄입니다.

E. 구조화된 스트리밍은 캐시된 단계에 대한 증분 상태 값을 저장하는 분산 노드 네트워크에 의존합니다.

A. 정렬하기 전에 DataFrame을 단일 파티션으로 재분할합니다.

B. 데이터 분산을 개선하기 위해 셔플 파티션 수를 늘립니다.

C. 메모리 사용량을 줄이려면 브로드캐스트 조인으로 전환하세요.

D. 정렬 작업을 필터 작업으로 변환합니다.

A. JSON 메타데이터를 로드하고, 해당 항목을 순회하며, dlt.expect_all을 사용하여 기대치를 적용합니다.

B. JSON 파일 경로를 참조하는 SQL CONSTRAINT 블록을 사용하십시오.

C. 외부 API를 호출하여 메타데이터 규칙에 따라 레코드의 유효성을 검사합니다.

D. 테이블 선언에서 각 기대치를 참조할 때 @dlt.expect 데코레이터를 사용하세요.

A. 개발 이력 설명 dev.pii 테스트

B. 확장된 dev.pii 테스트에 대해 설명하세요

C. dev.pii 테스트 상세 설명

D. dev.pii 테스트의 TBL 속성 표시

E. 개발 테이블 표시