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

（A）새로운 Lakeflow 선언적 파이프라인을 생성합니다. read() 함수를 사용하여 tasks_status 테이블을 읽고, employee 테이블을 추가하여 결과를 구체화된 뷰에 저장합니다.

（B）새로운 Lakeflow 선언적 파이프라인을 생성합니다. readStream() 함수를 skipChangeCommits 옵션과 함께 사용하여 tasks_status 테이블을 읽고, employee 테이블을 추가하여 결과를 새로운 스트리밍 테이블에 저장합니다.

（C）새로운 Lakeflow 선언적 파이프라인을 생성합니다. readStream() 함수와 readChangeFeed 옵션을 사용하여 tasks_status 테이블의 CDF를 읽고, employee 테이블을 추가하여 데이터를 보강합니다. 결과 테이블로 사용할 새로운 스트리밍 테이블을 생성하고, apply_changes() 함수를 사용하여 보강된 CDF의 변경 사항을 처리합니다.

（D）새로운 Lakeflow 선언적 파이프라인을 생성합니다. readStream() 함수를 사용하여 tasks_status 테이블을 읽고, employee 테이블을 추가하여 결과를 새로운 스트리밍 테이블에 저장합니다.

（A）모든 로직은 쿼리 실행 시점에 실행되며, 쿼리가 시작된 시점의 소스 테이블의 유효한 버전을 조인한 결과를 반환합니다.

（B）모든 로직은 뷰가 정의될 ​​때 실행되어 테이블 조인 결과를 DBFS에 저장합니다. 저장된 데이터는 뷰를 쿼리할 때 반환됩니다.

（C）모든 로직은 쿼리 실행 시점에 실행되며, 쿼리가 완료되는 시점에 소스 테이블의 유효한 버전을 조인한 결과를 반환합니다.

（D）뷰가 정의될 ​​때 결과가 계산되어 캐시됩니다. 캐시된 결과는 소스 테이블에 새 레코드가 삽입될 때마다 점진적으로 업데이트됩니다.

（A）정렬하기 전에 DataFrame을 단일 파티션으로 재분할합니다.

（B）메모리 사용량을 줄이려면 브로드캐스트 조인으로 전환하세요.

（C）데이터 분산을 개선하기 위해 셔플 파티션 수를 늘립니다.

（D）정렬 작업을 필터 작업으로 변환합니다.

（A）databricks jobs list-runs --job-id JOB_ID --start-time-to TODAY_MIDNIGHT_EPOCH_MS -- completed-only

（B）databricks jobs list-runs --job-id JOB_ID --start-time-to TODAY_MIDNIGHT_EPOCH_MS --active-only

（C）databricks jobs list-runs --job-id JOB_ID --start-time-from TODAY_MIDNIGHT_EPOCH_MS -- active-only

（D）databricks jobs list-runs --job-id JOB_ID --start-time-from TODAY_MIDNIGHT_EPOCH_MS -- completed-only

（A）지역 간 읽기 및 쓰기는 상당한 비용과 지연을 초래할 수 있습니다. 가능한 한 컴퓨팅 자원은 데이터가 저장된 지역과 동일한 지역에 배포해야 합니다.

（B）Databricks 워크스페이스는 지역 인프라에 의존하지 않으므로 워크스페이스 관리자에게 가장 편리한 방식을 기준으로 결정해야 합니다.

（C）Databricks 노트북은 사용자의 브라우저에서 실행되는 모든 코드를 개방형 인터넷을 통해 가상 머신으로 전송합니다. 따라서 가능한 한 최종 사용자와 가까운 작업 공간 영역을 선택하는 것이 가장 안전합니다.

（D）Databricks는 대화형 개발 중에 사용자 워크스테이션을 핵심 동력으로 활용합니다. 따라서 사용자는 항상 물리적으로 가까운 지역에 배포된 작업 공간을 사용해야 합니다.

（E）Databricks는 클라우드 볼륨 스토리지에서 HDFS를 실행하므로 데이터가 저장된 지역에 클라우드 가상 머신을 배포해야 합니다.

（A）Hive Metastore에 관리형 테이블을 생성합니다. 접근 제어를 위해 Hive Metastore 권한을 구성하고, 예측 최적화를 활용하여 쿼리 성능을 향상시키고 유지 관리를 간소화합니다.

（B）Unity Catalog에 관리형 테이블을 생성합니다. 접근 제어를 위해 Unity Catalog 권한을 구성하고, 예측 최적화를 활용하여 쿼리 성능을 향상시키고 유지 관리를 간소화합니다.

（C）Unity Catalog에 외부 테이블을 생성하고 데이터 파일의 S3 위치를 지정합니다. 테이블 속성을 통해 예측 최적화를 활성화하고 접근 제어를 위해 Unity Catalog 권한을 구성합니다.

（D）Unity Catalog에 관리형 테이블을 생성합니다. 접근 제어를 위해 Unity Catalog 권한을 구성하고, 최적의 성능을 위해 OPTIMIZE 및 VACUUM 명령이 매일 실행되도록 작업을 예약합니다.

（A）모든 테이블 저장소를 위한 외부 데이터 웨어하우스를 구성할 때 모든 ELT에 Databricks를 활용하십시오.

（B）테이블을 생성할 때 CREATE TABLE 문에 EXTERNAL 키워드를 사용해야 합니다.

（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）

（B）

（C）

（D）

（A）덮어쓰기 로직을 ​​수정하여 호출을 통해 채워진 필드를 포함하도록 합니다.
데이터가 기록될 때 spark.sql.functions.current_timestamp() 필드를 사용하여 특정 날짜에 기록된 레코드를 식별할 수 있습니다.

（B）새로운 예측을 하기 전에 고유 고객을 식별하는 키를 기준으로 이전 모델 예측과 현재 고객 이탈 매개변수 간의 차이를 계산합니다. 이전 예측에 포함되지 않은 고객에 대해서만 예측을 수행합니다.

（C）배치 작업을 전체 출력 모드를 사용하는 구조화된 스트리밍 작업으로 변환하고, 구조화된 스트리밍 작업이 customer_churn_params 테이블에서 데이터를 읽어 이탈 모델을 기반으로 점진적으로 예측하도록 구성합니다.

（D）현재의 덮어쓰기 로직을 ​​변경된 레코드만 수정하는 병합문으로 대체하고, 변경 데이터 피드를 통해 식별된 변경된 레코드에 대한 예측 로직을 작성합니다.

（E）customer_churn_params 테이블의 모든 행에 이탈 예측 모델을 적용하되, 예측값이 변경되지 않은 행은 무시하고 예측 테이블에 업서트하는 로직을 구현하십시오.

（A）gold_customer_lifetime_sales_summary 테이블은 silver_customer_sales 테이블의 모든 레코드에서 계산된 집계 값으로 일괄 처리되어 덮어쓰여집니다.

（B）증분 작업은 상태 저장소의 실행 정보를 활용하여 gold_customer_lifetime_sales_summary 테이블의 집계 값을 업데이트합니다.

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

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

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