무료 온라인 액세스 Databricks.Associate-Developer-Apache-Spark.v2025-12-04.q64 모의 시험 (Page 9)

Associate-Developer-Apache-Spark 문제 36

다음 코드 블록 중 어떤 것을 사용하면 DataFrame transactionsDf를 메모리에만 저장하고, 필요할 때 메모리에 맞지 않는 파티션을 다시 계산할 수 있습니까?

A. pyspark에서 StorageLevel 가져오기
transactionsDf.cache(StorageLevel.MEMORY_ONLY)

B. transactionsDf.cache()

C. 트랜잭션Df.storage_level('메모리 전용')

D. 트랜잭션Df.persist()

E. 트랜잭션Df.clear_persist()

F. pyspark에서 StorageLevel 가져오기
트랜잭션Df.persist(저장소 수준.메모리_전용)

Associate-Developer-Apache-Spark 문제 37

The code block shown below should return a copy of DataFrame transactionsDf without columns value and productId and with an additional column associateId that has the value 5. Choose the answer that correctly fills the blanks in the code block to accomplish this.
transactionsDf.__1__(__2__, __3__).__4__(__5__, 'value')

A. 1. withColumn
2. 'associateId'
3. 5
4. remove
5. 'productId'

B. 1. withNewColumn
2. associateId
3. lit(5)
4. drop
5. productId

C. 1. withColumn
2. 'associateId'
3. lit(5)
4. drop
5. 'productId'

D. 1. withColumnRenamed
2. 'associateId'
3. 5
4. drop
5. 'productId'

E. 1. withColumn
2. col(associateId)
3. lit(5)
4. drop
5. col(productId)

Associate-Developer-Apache-Spark 문제 38

다음 코드 블록 중 어느 것이 열 이름과 유형을 모두 포함하는 트리 형태의 DataFrame 구조를 보여줍니까?

A. 1.항목Df.열을 인쇄합니다.
2. print(항목Df.유형)

B. itemsDf.printSchema()

C. spark.schema(항목Df)

D. itemsDf.rdd.printSchema()

E. itemsDf.print.schema()

Associate-Developer-Apache-Spark 문제 39

다음 DataFrame 연산자 중 결코 광범위한 변환으로 분류되지 않는 것은 무엇입니까?

A. DataFrame.sort()

B. DataFrame.aggregate()

C. DataFrame.repartition()

D. DataFrame.select()

E. DataFrame.join()

정답: D

설명
일반적으로 연습 테스트를 마치면 무엇이 넓은 변환이고 무엇이 좁은 변환인지 잘 감을 잡을 수 있을 것입니다. 확실하지 않다면 Spark에서 DataFrame.[operation, 예: sort()].explain()을 사용하여 Spark 실행 계획에 대한 설명을 자유롭게 실행해 보세요. 재분할이 포함된 경우 넓은 변환으로 간주됩니다.
데이터프레임.select()
맞습니다! 와이드 변환에는 셔플이 포함됩니다. 즉, 입력 파티션이 하나 이상의 출력 파티션에 매핑됩니다. 이는 비용이 많이 들고 클러스터 전체에 트래픽을 발생시킵니다. 그러나 select() 연산을 사용하면 Spark에 모든 파티션의 특정 슬라이스에 대해 연산을 수행하도록 하는 명령을 전달합니다. 이를 위해 Spark는 파티션 간에 데이터를 교환할 필요가 없으며, 각 파티션은 독립적으로 작업할 수 있습니다. 따라서 와이드 변환이 발생하지 않습니다.
DataFrame.repartition()
틀렸습니다. DataFrame을 재분할하면 파티션 경계가 재정의됩니다. 데이터는 클러스터를 가로질러 흐르다가 재분할이 완료되면 서로 다른 파티션으로 나뉩니다. 이를 셔플이라고 하며, 이는 광범위한 변환으로 분류됩니다.
DataFrame.aggregate()
아니요. 집계할 때 여러 파티션 간에 데이터를 비교하고 요약할 수 있습니다. 이 과정에서 클러스터 전체에서 데이터가 교환되고, 새로 생성된 출력 파티션은 하나 이상의 입력 파티션에 따라 달라집니다. 이는 셔플의 일반적인 특징으로, 집계 작업이 광범위한 변환으로 분류될 수 있음을 의미합니다.
데이터프레임.join()
틀렸습니다. 여러 DataFrame을 결합하면 일반적으로 새 파티션이 형성됨에 따라 클러스터 전체에서 대량의 데이터가 교환됩니다. 이는 셔플(shuffle)이므로 DataFrame.join()은 광범위한 변환으로 간주됩니다.
데이터프레임.정렬()
거짓입니다. Spark는 정렬 시 모든 파티션에 걸쳐 여러 행을 서로 비교해야 합니다. 이는 클러스터 전체에서 데이터가 교환되고 데이터가 재정렬됨에 따라 새로운 파티션이 형성되기 때문에 비용이 많이 드는 작업입니다. 이 프로세스는 셔플로 분류되며, 결과적으로 DataFrame.sort()는 광범위한 변환으로 간주됩니다.
추가 정보: Apache Spark Shuffle 이해하기 | Philipp Brunenberg

Associate-Developer-Apache-Spark 문제 40

다음 중 Spark 실행 계층에서 가장 깊은 수준은 무엇입니까?

A. 직업

B. 작업

C. 실행자

D. 슬롯

E. 스테이지

다른 버전: 778Databricks.Associate-Developer-Apache-Spark.v2023-08-28.q61; 1155Databricks.Associate-Developer-Apache-Spark.v2022-10-20.q61; 1537Databricks.Associate-Developer-Apache-Spark.v2022-07-14.q65; 1395Databricks.Associate-Developer-Apache-Spark.v2022-01-27.q63

최근 업로드: 119Salesforce.ADX-350.v2026-07-21.q22; 154Salesforce.Marketing-Cloud-Email-Specialist.v2026-07-20.q170; 128NationalPayrollInstitute.PF1.v2026-07-20.q26; 123Proofpoint.TPAD01.v2026-07-20.q25; 131Nutanix.NCP-BC-7.5.v2026-07-20.q40; 176Salesforce.Salesforce-Slack-Administrator.v2026-07-20.q108; 173Snowflake.COF-C03.v2026-07-20.q200; 122PythonInstitute.PCED-30-02.v2026-07-20.q18; 130SAP.C-S4PM-2601.v2026-07-20.q35; 146Databricks.Databricks-Certified-Professional-Data-Engineer.v2026-07-20.q103