A. 선택 대신 필터 연산자를 사용하여 DataFrame transactionDf를 필터링해야 합니다.

B. storeId 및 predError 열은 Python 목록으로 표시되어야 하므로 대괄호([])로 묶어야 합니다.

C. collect 방식 대신 take 방식을 사용해야 합니다.

D. 수집 대신 collectAsRows를 호출해야 합니다.

E. collect 메소드가 SparkSession 객체의 메소드가 아닙니다.

A. spark.DataFrame({"계절": ["겨울","여름"], "wind_speed_ms": [4.5, 7.5]})

B. spark.createDataFrame([("여름", 4.5), ("겨울", 7.5)], ["계절", "바람 속도_ms"])

C. 1. pyspark.sql에서 유형을 T로 가져오기
2. spark.createDataFrame((("여름", 4.5), ("겨울", 7.5)), T.StructType([T.StructField("계절",

D. CharType()), T.StructField("시즌", T.DoubleType())]))

E. spark.newDataFrame([("여름", 4.5), ("겨울", 7.5)], ["계절", "바람_속도_ms"])

F. spark.createDataFrame({"계절": ["겨울","여름"], "wind_speed_ms": [4.5, 7.5]})

A. 1. withColumn
2. '어소시에이트 아이디'
3. 5
4. 제거
5. '상품아이디'

B. 1. withNewColumn
2. 관련 아이디
3. 조명(5)
4. 드롭
5. 제품 아이디

C. 1. withColumn
2. '어소시에이트 아이디'
3. 조명(5)
4. 드롭
5. '상품아이디'

D. 1. withColumnRenamed
2. '어소시에이트 아이디'
3. 5
4. 드롭
5. '상품아이디'

E. 1. withColumn
2. col(associateId)
3. 조명(5)
4. 드롭
5. 열(productId)

A. Spark의 DataFrame은 변경할 수 없습니다.

B. Spark의 DataFrames는 Python의 DataFrames와 동일합니다.

C. DataFrames의 데이터는 명명된 열로 구성됩니다.

D. RDD는 DataFrames의 핵심입니다.

E. DataFrames의 데이터는 여러 청크로 분할될 수 있습니다.

A. transactionDf.schema.print()

B. transactionDf.rdd.printSchema()

C. transactionDf.rdd.formatSchema()

D. transactionDf.printSchema()

E. 인쇄(transactionsDf.schema)