Databricks-Certified-Data-Engineer-Professional Korean試験無料問題集「Databricks Certified Data Engineer Professional Exam (Databricks-Certified-Data-Engineer-Professional Korean Version) 認定」

A. dev.pii 테스트 상세 설명

B. 확장된 dev.pii 테스트에 대해 설명하세요

C. dev.pii 테스트의 TBL 속성 표시

D. 개발 이력 설명 dev.pii 테스트

E. 개발 테이블 표시

A. 다른 스키마의 테이블에 접근하려면 신규 사용자가 자동으로 부여받지 못하는 추가적인 BROWSE 권한이 필요합니다.

B. 워크스페이스 카탈로그 권한은 상속 규칙의 적용을 받지 않습니다.

C. 워크스페이스 사용자는 기본 스키마에 대해서만 카탈로그 사용 권한 및 특정 권한을 받습니다.

D. 신규 사용자는 기본 스키마에 대한 CREATE TABLE 권한만 부여받습니다.

A. Delta Lake의 변경 데이터 피드를 사용하여 중복 레코드를 필터링하세요.

B. dropDuplicates 변환을 사용하여 구조화된 스트리밍을 구성합니다.

C. 델타 레이크 타임 트래블을 사용하여 중복 항목을 식별하고 제거합니다.

D. 고유 키를 사용하여 MERGE INTO를 이용한 쓰기 작업을 구현하세요.

A. 사용자 B가 마지막으로 작업을 구성했으므로, 작업 생성 이벤트와 작업 실행 이벤트 모두에 사용자 B의 ID가 연결됩니다.

B. 사용자 A가 작업을 생성했으므로, 해당 사용자의 신원이 작업 생성 이벤트와 작업 실행 이벤트 모두와 연결됩니다.

C. 작업 생성 및 실행 트리거에 REST API가 사용되었으므로 이러한 이벤트를 식별하기 위해 서비스 주체가 자동으로 사용됩니다.

D. 작업 생성 및 실행 트리거에 REST API가 사용되었으므로 사용자 ID는 감사 로그에 기록되지 않습니다.

E. 이러한 이벤트는 별도로 관리되므로 사용자 A는 작업 생성 이벤트와 관련된 ID를 갖게 되고, 사용자 B는 작업 실행 이벤트와 관련된 ID를 갖게 됩니다.

A. 날짜 = dbutils.notebooks.getParam("날짜")

B. 시스템 가져오기
날짜 = sys.argv[1]

C. input_dict = input()
날짜 = input_dict["날짜"]

D. dbutils.widgets.text("날짜", "null")
날짜 = dbutils.widgets.get("날짜")

E. 날짜 = spark.conf.get("날짜")

A. 페더레이션은 수동으로 새로 고쳐야 하는 로컬 복사본을 생성합니다.

B. 페더레이션은 소스 시스템의 현재 상태를 반영하는 읽기 전용 액세스를 제공합니다.

C. 별도의 데이터 동기화 서비스를 배포해야 합니다.

D. 연합은 모든 소스에서 변경 데이터 캡처(CDC)를 구현합니다.

A. 테이블을 생성할 때 CREATE TABLE 문에 EXTERNAL 키워드를 사용해야 합니다.

B. 모든 테이블 저장소를 위한 외부 데이터 웨어하우스를 구성할 때 모든 ELT에 Databricks를 활용하십시오.

C. 워크스페이스를 구성할 때 외부 클라우드 객체 스토리지가 마운트되었는지 확인하십시오.

D. 데이터베이스를 생성할 때 LOCATION 키워드를 반드시 사용하십시오.

E. 데이터를 테이블에 저장할 때 Delta 형식과 함께 전체 파일 경로를 지정해야 합니다.

A. 사용자 ID별로 그룹화하고 마지막 업데이트 값의 최댓값을 기준으로 필터링하여 계정 내역 테이블에 대한 쿼리 결과를 사용하여 각 배치마다 계정 현재 테이블을 덮어씁니다.

B. 계정 내역에서 마지막 업데이트 필드와 최근 처리 시간을 기준으로 레코드를 필터링하고, 사용자 이름이 중복되지 않도록 합니다. 각 사용자 이름에 대해 최신 값을 업데이트하거나 삽입하는 병합 문을 작성하세요.

C. Delta Lake 버전 기록을 사용하여 계정 기록의 최신 버전과 이전 버전 간의 차이점을 가져온 다음 이러한 기록을 계정 현재 상태에 기록합니다.

D. 자동 로더를 사용하여 계정 기록 디렉터리의 새 파일을 구독하고, 구조화된 스트리밍 트리거를 한 번 실행하여 새로 감지된 파일을 계정 현재 테이블에 일괄 업데이트하도록 구성합니다.

E. 계정 내역에서 마지막 업데이트 필드와 최근 처리 시간, 그리고 사용자 ID별 최대 마지막 로그인 시간을 기준으로 레코드를 필터링하고, 각 사용자 ID에 대해 가장 최근 값을 업데이트하거나 삽입하는 병합 문을 작성합니다.

A. 모든 로그 정보를 브론즈 테이블에 수집하고, merge into를 사용하여 각 pk_id에 대한 가장 최근 항목을 실버 테이블에 삽입, 업데이트 또는 삭제하여 현재 테이블 상태를 복원합니다.

B. Delta Lake의 변경 데이터 피드를 사용하여 외부 시스템의 CDC 데이터를 자동으로 처리하고 모든 변경 사항을 Lakehouse의 모든 종속 테이블에 전파합니다.

C. 각 pk_id에 대해 별도의 히스토리 테이블을 생성하고, 모든 히스토리 테이블을 합치고 가장 최근 상태를 필터링하여 테이블의 현재 상태를 확인합니다.

D. merge into를 사용하여 각 pk_id에 대한 가장 최근 항목을 bronze 테이블에 삽입, 업데이트 또는 삭제한 다음 모든 변경 사항을 시스템 전체에 전파합니다.

E. 테이블에 대한 일련의 변경 사항을 순서대로 반복하여 각 변경 사항을 순차적으로 적용합니다. Delta Lake의 버전 관리 기능을 활용하여 감사 로그를 생성합니다.

A. 1번 명령은 성공합니다. 2번 명령은 접근 가능한 모든 데이터베이스에서 countries af라는 이름의 테이블 또는 뷰를 검색합니다. 해당 엔티티가 존재하면 2번 명령도 성공합니다.

B. 첫 번째 명령은 성공하고 두 번째 명령은 실패합니다. countries at은 문자열 목록을 포함하는 Python 변수가 됩니다.

C. 두 명령 모두 성공할 것입니다. show tables 명령을 실행하면 countries at과 sales at이 뷰로 등록된 것을 확인할 수 있습니다.

D. 두 명령 모두 실패합니다. 새로운 변수, 테이블 또는 뷰가 생성되지 않습니다.

E. 첫 번째 명령은 성공하고 두 번째 명령은 실패합니다. countries at은 PySpark DataFrame을 나타내는 Python 변수입니다.

A. 전체 행 수는 모든 데이터 파일을 스캔하여 계산됩니다.

B. 전체 레코드 수는 Hive 메타스토어에서 계산됩니다.

C. 총 레코드 수는 Delta 거래 로그에서 계산됩니다.

D. 새로 고침(REFRESH)을 실행하지 않으면 캐시된 결과에서 총 행 수가 반환됩니다.

E. 전체 레코드 수는 파케트 파일 메타데이터를 기반으로 계산됩니다.

A. 클러스터: 기존 다목적 클러스터;
재시도 횟수: 없음;
최대 동시 실행 수: 1

B. 클러스터: 기존 다목적 클러스터;
재시도 횟수: 무제한;
최대 동시 실행 수: 1

C. 클러스터: 기존 범용 클러스터;
재시도 횟수: 무제한;
최대 동시 실행 수: 1

D. 클러스터: 새로운 직업 클러스터;
재시도 횟수: 무제한;
최대 동시 실행 횟수: 무제한

E. 클러스터: 새로운 직업 클러스터;
재시도 횟수: 없음;
최대 동시 실행 수: 1