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

A. 그룹 구성원은 프로덕션 데이터베이스에 대한 모든 권한을 가지며 다른 사용자 또는 그룹에게 권한을 할당할 수도 있습니다.

B. 그룹 구성원은 프로덕션 데이터베이스의 모든 테이블과 뷰를 조회할 수 있지만, 데이터베이스에서 아무것도 생성하거나 편집할 수는 없습니다.

C. 그룹 구성원은 프로덕션 데이터베이스의 모든 테이블과 뷰를 조회하고 수정할 수 있지만, 새 테이블이나 뷰를 생성할 수는 없습니다.

D. 그룹 구성원은 프로덕션 데이터베이스의 모든 테이블 목록을 볼 수 있지만 해당 테이블에 대한 쿼리 결과는 볼 수 없습니다.

E. 그룹 구성원은 프로덕션 데이터베이스의 모든 테이블과 뷰를 생성, 조회 및 수정할 수 있지만 사용자 지정 함수를 정의할 수는 없습니다.

A. 소스 데이터는 유효한 JSON 형식이지만, 정의된 스키마를 어떤 방식으로든 준수하지 않습니다.

B. 엔지니어가 "cloudFiles.quarantineMode" = "rescue" 옵션을 설정하는 것을 잊었습니다.

C. 어느 시점부터 상위 데이터 제공업체가 모든 데이터를 여러 줄로 된 JSON 형식으로 전환했습니다.

D. badRecordsPath 위치에 작은 파일들이 많이 누적되고 있습니다.

A. 대화형 코드가 실행되는 환경에서는 프로덕션 데이터에 대해 읽기 권한만으로 접근할 수 있어야 하며, 각 환경별로 격리된 데이터베이스를 생성하면 위험을 더욱 줄일 수 있습니다.

B. Delta Lake는 모든 데이터를 버전 관리하고 타임 트래블을 지원하기 때문에 사용자 오류나 악의적인 공격자가 프로덕션 데이터를 영구적으로 삭제하는 것이 불가능합니다. 따라서 프로덕션 데이터를 어디에든 마운트해도 일반적으로 안전합니다.

C. 프로덕션 데이터에 대한 접근은 항상 패스스루 자격 증명을 사용하여 검증되므로 모든 Databricks 개발 환경에 데이터를 마운트하는 것이 안전합니다.

D. 모든 개발, 테스트 및 프로덕션 코드와 데이터는 단일 통합 작업 공간에 존재해야 합니다. 테스트와 개발을 위한 별도의 환경을 구축하면 위험을 더욱 줄일 수 있습니다.

A. 루트, 모듈, 프로필, 액터 및 타겟을 사용합니다. 프로필에는 작업 공간 및 아티팩트 기본값이 포함되고 액터는 실행 ID를 설정합니다.

B. 배포, 빌드, 컨텍스트, ID 및 환경을 사용합니다. 개발 환경을 기본 환경으로 설정하고 빌드 아래의 경로를 재정의합니다.

C. 프로젝트, 패키지, 환경, ID 및 스테이지를 사용합니다. 환경 설정에서 dev를 기본 스테이지로 설정하고 작업 공간을 재정의합니다.

D. 최상위 수준에서 bundle, artifacts, workspace, run_as 및 targets를 사용하고, default: true로 설정된 타겟 하나를 지정하고 해당 타겟 아래에서 워크스페이스 경로 또는 아티팩트를 재정의합니다.

A. overwriteSchema = true

B. validateSchema = false

C. mergeSchema = true

D. ignoreChanges = false

A. 누락된 작업 매개변수를 추가하여 작업을 업데이트하고 수동으로 작업을 실행합니다.

B. 문제가 발생한 노트북 소유자에게 분석 결과를 공유하여 신속하게 문제를 해결할 수 있도록 합니다.

C. 새 매개변수를 사용하여 실행을 복구하고, 누락된 작업 매개변수를 추가하여 작업을 업데이트합니다.

D. 새 매개변수를 사용하여 실행을 수정합니다.

A. 명령 3

B. 명령 5

C. 명령 4

D. 명령 6

E. 명령 2

A. 배치 작업이 gold_customer_lifetime_sales_summary 테이블을 업데이트합니다. 이때 customer_id를 기본 키로 사용하여 현재 테이블 버전과 값이 다른 행만 교체합니다.

B. 증분 작업은 silver_customer_sales 테이블에 새 행이 기록되었는지 감지합니다. 새 행이 감지되면 모든 집계가 다시 계산되어 gold_customer_lifetime_sales_summary 테이블을 덮어씁니다.

C. 증분 작업은 상태 저장소의 실행 정보를 활용하여 gold_customer_lifetime_sales_summary 테이블의 집계 값을 업데이트합니다.

D. gold_customer_lifetime_sales_summary 테이블은 silver_customer_sales 테이블의 모든 레코드에서 계산된 집계 값으로 일괄 처리되어 덮어쓰여집니다.

E. silver_customer_sales 테이블은 gold_customer_lifetime_sales_summary 테이블의 모든 레코드에서 계산된 집계 값으로 일괄 처리되어 덮어쓰여집니다.

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

B. Delta Lake는 기본적으로 테이블의 처음 32개 열에 대한 통계를 수집합니다. 이러한 통계는 선택적 쿼리를 실행할 때 데이터 건너뛰기에 활용됩니다.

C. Delta Lake는 데이터 저장에 Parquet을 사용하기 때문에 Dremel 인코딩 정보를 사용한 중첩 구조를 Delta 트랜잭션 로그에서 직접 참조할 수 있습니다.

D. Databricks의 스키마 추론 및 진화 기능은 추론된 유형이 하위 시스템에서 사용되는 데이터 유형과 항상 정확하게 일치하도록 보장합니다.

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

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

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

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

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

A. import dlt
@dlt.table
def raw_customers():
return spark.read.format( " csv " ).load( " s3://my-bucket/raw-customers/ " )

B. import dlt
@dlt.table
def raw_customers():
return spark.read.json( " s3://my-bucket/raw-customers/ " )

C. import dlt
@dlt.table
def raw_customers():
return spark.read.format( " parquet " ).load( " s3://my-bucket/raw-customers/ " )

D. import dlt
@dlt.view
def raw_customers():
return spark.format.json( " s3://my-bucket/raw-customers/ " )

A. 값 필드는 이진 데이터로 저장되므로 이 정보는 개인 식별 정보(PII)로 간주되지 않으며 특별한 주의가 필요하지 않습니다.

B. 파티션 필드를 기준으로 별도의 객체 저장 컨테이너를 지정하여 저장 수준에서 격리할 수 있습니다.

C. 데이터는 토픽 필드를 기준으로 분할되어야 하며, 이를 통해 ACL 및 삭제 문이 파티션 경계를 활용할 수 있습니다.

D. 데이터는 등록 필드를 기준으로 분할되어야 하며, 이를 통해 PII 디렉토리에 대한 ACL 및 삭제 명령을 설정할 수 있습니다.

E. 모든 데이터는 2주마다 삭제되어야 합니다. Delta Lake의 시간 여행 기능을 활용하여 개인 식별 정보가 아닌 정보의 기록을 유지해야 합니다.

A. PyYAML.whl 파일을 Unity 카탈로그 볼륨에 업로드합니다. 필요한 경우 Unity 카탈로그 허용 목록에 경로를 추가합니다. 그런 다음 `pip install /path/to/PyYAML.whl`을 실행하는 클러스터 범위의 초기화 스크립트를 생성합니다.

B. 워크스페이스의 데이터 엔지니어 사용자 홈 디렉터리에 PyYAML.whl 파일을 업로드하고, 공유 클러스터에서 `%pip install /path/to/PyYAML.whl`을 실행하는 클러스터 범위 초기화 스크립트를 생성합니다.

C. PyYAML.whl 파일을 Databricks Git 저장소에 직접 추가하고, 해당 저장소에 연결된 모든 클러스터에 PyYAML이 자동으로 설치된다고 가정합니다.

D. 비공개 PyPI 저장소를 설정하고, 거기에 wheel 파일을 등록하고, 클러스터에서 `/databricks/python/bin/pip install --index-url=https://{repo-url} PyYAML`을 실행하는 클러스터 범위의 초기화 스크립트를 생성합니다.

A. 모든 실행기의 메모리에 저장할 수 있을 만큼 DataFrame의 크기가 작다고 표시하여 브로드캐스트 조인을 허용합니다.

B. 클러스터 수명 동안 모든 향후 쿼리에서 사용하기 위해 지정된 테이블의 복사본을 클러스터의 모든 노드에 캐시합니다.

C. 이는 열의 카디널리티가 충분히 낮아 사용 가능한 파티션에 고유 값을 올바르게 매핑할 수 있음을 나타내어 브로드캐스트 조인을 허용합니다.

D. Databricks 워크스페이스 내의 모든 활성 클러스터에 대해 연결된 스토리지 볼륨에 지정된 테이블의 복사본을 캐시합니다.

E. 모든 실행기의 메모리에 저장할 수 있을 만큼 열의 크기가 작다고 표시하여 브로드캐스트 조인을 허용합니다.