A. transactionDf.write.save("/FileStore/transactions.csv")

B. transactionDf.write.format("csv").mode("error").path("/FileStore/transactions.csv")

C. transactionDf.write.format("csv").mode("ignore").path("/FileStore/transactions.csv")

D. transactionDf.write("csv").mode("error").save("/FileStore/transactions.csv")

E. transactionDf.write.format("csv").mode("error").save("/FileStore/transactions.csv")

A. DataFrameReader가 올바르게 액세스되지 않습니다.

B. 트랜잭션이 느리게 평가되므로 파일을 읽지 않습니다.

C. Spark가 파일 유형을 이해할 수 없습니다.

D. 코드 블록이 모든 열을 캡처할 수 없습니다.

E. 결과 DataFrame에는 적절한 스키마가 없습니다.

A. 1. 여기서
2. "제품 ID" > 2
3. 최대(2)

B. 1. 여기서
2. transactionDf[제품 ID] >= 2
3. 한도(2)

C. 1. 필터
2. 제품 ID > 2
3. 최대(2)

D. 1. 필터
2. col("제품 ID") >= 2
3. 한도(2)

E. 1. 여기서
2. 제품 ID >= 2
3. 한도(2)

A. 동적 파티션 가지치기는 쿼리 결과에서 필요하지 않은 데이터를 건너뛰기 위한 것입니다.

B. 동적 파티션 가지치기는 조인 성능을 최적화하기 위해 유사한 데이터 유형의 열을 연결합니다.

C. 동적 파티션 정리는 메모리 대신 디스크에서 광범위한 변환을 수행합니다.

D. 동적 파티션 가지치기는 데이터 유형 및 브로드캐스트 변수를 기반으로 물리적 계획을 다시 최적화합니다.

E. 동적 파티션 가지치기는 쿼리 실행 중에 수집된 런타임 통계를 기반으로 쿼리 계획을 다시 최적화합니다.

A. Spark의 DataFrame은 변경할 수 없습니다.

B. Spark의 DataFrame은 Python의 DataFrame과 동일합니다.

C. DataFrames의 데이터는 명명된 열로 구성됩니다.

D. RDD는 DataFrames의 핵심입니다.

E. DataFrames의 데이터는 여러 청크로 분할될 수 있습니다.