Databricks Certified Professional Data Engineer Exam (Databricks-Certified-Professional-Data-Engineer Korean Version) - Databricks-Certified-Professional-Data-Engineer Korean Exam Practice Test

A. hash(email)

B. sha2(email, 0)

C. mask(email, ' ? ' )

D. sha1(email)

A. SELECT percent_null
FROM prod_catalog.prod_schema.customer_data_profile_metrics
WHERE window.end > = CURRENT_TIMESTAMP - INTERVAL ' 1 ' DAY
Alert Condition: percent_null > 5
Notification Frequency: At most every 24 hours

B. WITH daily_avg AS (
SELECT DATE_TRUNC( ' DAY ' , window.end) AS day,
AVG(percent_null) AS avg_null
FROM prod_catalog.prod_schema.customer_data_profile_metrics
GROUP BY DATE_TRUNC( ' DAY ' , window.end)
)
SELECT day, avg_null
FROM daily_avg
ORDER BY day DESC
LIMIT 3
Alert Condition: ALL avg_null > 5 for the latest 3 rows
Notification Frequency: Just once

C. SELECT AVG(percent_null) AS daily_avg
FROM prod_catalog.prod_schema.customer_data_profile_metrics
WHERE window.end > = CURRENT_TIMESTAMP - INTERVAL ' 3 ' DAY
Alert Condition: daily_avg > 5
Notification Frequency: Each time alert is evaluated

D. SELECT SUM(CASE WHEN percent_null > 5 THEN 1 ELSE 0 END) AS violation_days FROM prod_catalog.prod_schema.customer_data_profile_metrics WHERE window.end > = CURRENT_TIMESTAMP - INTERVAL ' 3 ' DAY Alert Condition: violation_days > = 3 Notification Frequency: Just once

A. 총 디스크 공간은 일정하게 유지됩니다.

B. 네트워크 I/O는 절대 급증하지 않습니다.

C. 수신 바이트는 초당 8천만 바이트를 초과하지 않습니다.

D. 5분 평균 부하량이 일정하게 유지됩니다/평탄하게 유지됩니다

E. CPU 사용률은 약 75%입니다.

A. bpm_stats에서 skipChangeCommits 플래그를 true로 설정하세요

B. SkipChangeCommits 플래그를 true로 설정 raw_lot

C. raw_iot에서 파이프라인, 재설정, 허용 속성을 false로 설정합니다.

D. bpm_stats에서 파이프라인, 재설정, 허용 속성을 false로 설정합니다.

A.

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

C.

D.

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

A. 클론 작업으로 생성된 메타데이터는 vacuum 명령에 의해 유효하지 않은 것으로 삭제된 데이터 파일을 참조하고 있습니다.

B. vacuum으로 압축된 데이터 파일은 복제된 메타데이터에 의해 추적되지 않습니다. 복제된 테이블에서 refresh를 실행하면 최근 변경 사항이 반영됩니다.

C. vacuum 명령을 실행하면 테이블의 얕은 복제본이 자동으로 무효화됩니다. 복제된 테이블을 반복적으로 쿼리할 경우에는 항상 깊은 복제본을 사용해야 합니다.

D. 유형 1 변경 사항은 기존 레코드를 덮어쓰기 때문에 Delta Lake는 복제된 테이블의 데이터 일관성을 보장할 수 없습니다.

A. Df, map (lambda k:midel (x [columns]) ,select ( ' ' customer_id predictions ' ' )

B. Df. Select ( ' ' customer_id ' ' .
Model ( ' ' columns) alias ( ' ' predictions ' ' )

C. Df.apply(model, columns). Select ( ' ' customer_id, prediction ' '

D. Model, predict (df, columns)

A. event_log_table에 접근하여 event_type = 'expectation_result'인 이벤트를 필터링하고 details 필드에서 기대치 지표를 추출합니다.

B. event_log_table에 접근하여 event_type이 'flow_progress'인 이벤트를 필터링하고 세부 정보를 분석합니다.
필요한 메트릭을 추출하기 위한 flow_progress.data_quality.expectations 필드입니다.

C. Lakeflow 선언적 파이프라인 UI를 사용하여 특정 파이프라인으로 이동하고 데이터 세트를 선택한 다음 데이터 품질 탭에서 기대 지표를 수동으로 검색합니다.

D. event_type이 'data_quality'인 이벤트를 event_log_table에서 조회하고 passed_records 및 failed_records 필드를 직접 선택합니다.

A. Databricks는 관찰된 모든 데이터를 처리할 수 있는 유형을 사용하여 스키마를 추론하므로 유형을 수동으로 설정하면 데이터 품질 보장을 강화할 수 있습니다.

B. Delta Lake는 데이터 저장에 Parquet 형식을 사용하기 때문에 파일 바닥글 정보만 수정하면 데이터 형식을 쉽게 변경할 수 있습니다.

C. 데이터 엔지니어링 워크로드에서 가장 큰 비용은 코드 작성에 투입되는 인력입니다. 따라서 모든 마이그레이션 워크로드에서 테이블 선언 로직 자동화를 최우선 과제로 삼아야 합니다.

D. Databricks에서 사용하는 Tungsten 인코딩은 문자열 데이터 저장에 최적화되어 있습니다. JSON 문자열 쿼리에 대한 새로운 네이티브 지원이 추가되어 문자열 유형이 항상 가장 효율적입니다.

E. .Databricks의 스키마 추론 및 진화는 추론된 유형이 하위 시스템에서 사용되는 데이터 유형과 항상 정확하게 일치하도록 보장합니다.

A. 웹훅 트리거를 통해 소스 디렉터리에 새 데이터가 도착할 때마다 Databricks 작업이 실행됩니다. 새 데이터는 데이터에서 추론된 규칙을 사용하여 대상 테이블에 자동으로 병합됩니다.

B. 클라우드 공급업체별 큐 스토리지 및 알림 서비스가 구성되어 새로 도착하는 파일을 추적합니다. 새 파일은 대상 Delta Lake 테이블에 점진적으로 그리고 비활성 상태로 저장됩니다.

C. 새 파일은 입력 디렉터리 목록을 통해 식별되며, 새 파일은 대상 Delta Lake 테이블에 점진적으로 그리고 멱등적으로 로드됩니다.

D. 새 파일은 입력 디렉터리를 나열하여 식별하고, 대상 테이블은 소스 디렉터리의 모든 유효한 파일을 디렉터리 쿼리하여 구체화합니다.

A. 사용자가 어트리뷰션 추적을 위한 쿼리 세부 정보를 제공하지 않는 한 SQL 쿼리를 실행하지 못하도록 제한합니다.

B. 사용자가 정상적으로 쿼리를 실행하고 각 팀이 수동으로 사용량을 경영진에게 보고하도록 합니다.

C. 시스템 테이블을 사용하여 감사 및 청구 사용량 데이터를 수집하고, 경영진과 공유할 수 있도록 매일 업데이트되는 대시보드를 생성합니다.

D. 시스템 테이블을 사용하여 감사 및 청구 사용량 데이터를 수집하고, 수동으로 실행할 수 있도록 쿼리 결과를 경영진과 공유합니다.

A. 명령 4

B. 명령 2

C. 명령 5

D. 명령 3

E. 명령 6