Databricks Certified Data Engineer Associate Exam (Databricks-Certified-Data-Engineer-Associate日本語版) - Databricks-Certified-Data-Engineer-Associate日本語 Exam Practice Test

A. df = spark.readStream.format("cloud"),option("json").load("/input/path")

B. df = spark.readStream.format("cloudFiles") .option("cloudFiles.format", "json") .load("/input/path")

C. df = spark.readStream.format("json").load("input/path")

D. df = spark.read.json("inp i./path")

A. 正しい答えを判断するには、さらに情報が必要です

B. dbfs:/user/hive/warehouse

C. dbfs:/user/hive/customer360

D. dbfs:/user/hive/database/customer360

A. バッチおよびストリーミングワークロードをサポートする機能

B. さまざまな言語を使用して同じデータを操作する能力

C. 複雑なデータ操作を分散する機能

D. クエリ失敗時のアラートを設定する機能

E. 1つのノートブックでリアルタイムに共同作業できる機能

A. ゴールド テーブルには、シルバー テーブルよりもデータのビューがあまり洗練されていない可能性が高くなります。

B. Gold テーブルには Silver テーブルよりも多くのデータが含まれる可能性が高くなります。

C. Gold テーブルには Silver テーブルよりも集計が含まれる可能性が高くなります。

D. ゴールド テーブルには、シルバー テーブルよりも貴重なデータが含まれる可能性が高くなります。

E. ゴールド テーブルには、シルバー テーブルよりも真実のデータが含まれる可能性が高くなります。

A. Databricksデバッガーを使用すると、変数エクスプローラーを使用して変数の値を一目で確認できます。

B. Databricksデバッガーは、誤ったデータ型が送信された場合にエラーを発生させるブレークポイントを有効にします。

C. Sparkユーザーインターフェースには、このセッションで使用される変数を含むデバッグタブがあります。

D. データエンジニアは、変数が何であるかを確認するために、print文を追加する必要があります。

A. databricks bundle init を実行して新しいバンドル プロジェクトを作成し、次に databricks bundle deploy を使用して既存のワークスペース リソースをすべて自動的に検出してインポートします。

B. 空の Git リポジトリを Git フォルダーにクローンし、ワークスペース UI を参照して YAML で各ジョブとダッシュボード構成を手動で再作成してから、databricks bundle deploy を使用してデプロイします。

C. 既存のリソースごとに databricks bundle generate を実行し、次に databricks bundle deployment bind を使用して生成された構成を対応する既存のワークスペース リソースにリンクし、バンドル プロジェクトを Git にコミットして CI/CD デプロイメントを行います。

D. Databricks REST API を使用して各ジョブの JSON 定義をエクスポートし、JSON ファイルを Git リポジトリに保存し、各デプロイ時に REST API を使用してそれらをインポートするように CI/CD を構成します。

A. 表示

B. 一時ビュー

C. 関数

D. データベース

E. テーブル

A. df.distinct()

B. df.select("customer_id", "email").distinct()

C. df.groupBy("customer_id", "email").agg(max("ingestion_timestamp").alias("latest_ts"))

D. df.dropDuplicates(["customer_id", "email"])

A. 場所が外部場所の特定のパスを指している外部テーブル。

B. スキーマが外部場所の特定のパスを指す場所を管理している外部テーブル。

C. 場所が外部場所の特定のパスを指している管理対象テーブル。

D. カタログが外部場所の特定のパスを指す管理場所を持つ管理テーブル。

A. org.apache.spark.sql.sqlite

B. オートローダー

C. org.apache.spark.sql.jdbc

D. sqlite

A. 一時的な管理対象テーブルと外部テーブルを削除します。両方のファイルは7日間保持されます。

B. すべてのテーブルを削除します。Databricks は、管理対象テーブルと外部テーブルの両方のメタデータのみを削除します。

C. まず外部テーブルを削除してファイルを削除し、次に管理対象テーブルを削除してリカバリのためにファイルを保持します。

D. 管理対象ステージングテーブルを削除してデータとメタデータを削除し、外部テーブルを削除してメタデータのみを削除します。

A. 外部カタログからフェデレーションされた外部テーブルで、最適化をソースシステムに委任します。

B. テーブルレベルのガバナンスとライフサイクル結合を回避するための、ファイルに対する一時的なビュー。

C. Unity Catalog がメタデータと基となるデータライフサイクルの両方を管理するように、テーブルを管理します。

D. ファイルレイアウトを完全に制御するために、外部ボリュームを指す LOCATION を持つ外部テーブル。

A. 不正な形式のレコードを削除してデータをクリーンアップするジョブ

B. ダッシュボードにフィードするために設計された集計データをクエリするジョブ

C. ストリーミングソースから生データをレイクハウスに取り込むジョブ

D. タイムスタンプを人間が読める形式に解析してデータを充実させるジョブ

E. クリーンアップされていないデータを集約して標準的な要約統計を作成するジョブ

A. オプションA

B. 選択肢D

C. オプションB

D. オプションE

E. オプションC