무료 온라인 액세스 Databricks.Databricks-Certified-Professional-Data-Engineer-KR.v2026-08-24.q101 모의 시험 (Page 15)

Databricks-Certified-Professional-Data-Engineer-KR 문제 66

데이터 엔지니어가 Lakeflow Spark Declarative Pipelines Expectations를 사용하여 수신되는 센서 데이터의 품질을 추적하고 있습니다. 센서에서 주기적으로 범위를 벗어난 잘못된 측정값이 전송되는데, 현재 팀은 이러한 행에 경고 표시를 하고 정상 데이터와 함께 실버 테이블에 기록하고 있습니다. 그런데 새로운 요구 사항이 생겼습니다. 잘못된 행을 별도의 격리 테이블에 저장하고 더 이상 실버 테이블에 포함시키지 않아야 한다는 것입니다.
이것은 실버 테이블에 대한 기존 코드입니다.
@dlt.table
@dlt.expect( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
spark.readStream.table(" bronze_sensor_readings " )를 반환합니다.
어떤 코드가 요구 사항을 충족할까요?

A. @dlt.table
@dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )

B. @dlt.table
@dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
@dlt.table
@dlt.expect( " invalid_sensor_reading " , " reading > = 120 " )
def quarantine_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )

C. @dlt.table
@dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
@dlt.table
@dlt.expect( " invalid_sensor_reading " , " reading < 120 " )
def quarantine_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )

D. @dlt.table
@dlt.expect( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
@dlt.table
@dlt.expect( " invalid_sensor_reading " , " reading > = 120 " )
def quarantine_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )

Databricks-Certified-Professional-Data-Engineer-KR 문제 67

한 회사는 작업의 최신 상태를 추적하는 작업 관리 시스템을 보유하고 있습니다. 이 시스템은 작업 이벤트를 입력으로 받아 Lakeflow Declarative Pipelines를 사용하여 거의 실시간으로 처리합니다. 새로운 작업 이벤트는 작업이 생성되거나 작업 상태가 변경될 때 시스템에 입력됩니다. Lakeflow Declarative Pipelines는 BI 사용자가 쿼리할 수 있는 스트리밍 테이블(tasks_status)을 제공합니다.
이 표는 모든 작업의 최신 상태를 나타내며 5개의 열로 구성되어 있습니다.
* task_id (각 작업마다 고유함)
* 작업 이름
* 작업 소유자
* 작업 상태
* 작업 이벤트 시간
이 테이블은 삭제 벡터, 행 추적 및 변경 데이터 피드(CDF)라는 세 가지 속성을 지원합니다.
데이터 엔지니어에게 Lakeflow 선언적 파이프라인을 새로 생성하여 tasks_status 테이블에 작업 소유자의 부서를 나타내는 열을 추가하고, 이 열을 정적 차원 테이블(employee)에서 조회할 수 있도록 거의 실시간으로 데이터를 보강하라는 요청이 주어졌습니다.
이러한 심화 학습은 어떻게 구현되어야 할까요?

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

B. 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.

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

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

Databricks-Certified-Professional-Data-Engineer-KR 문제 68

데이터 엔지니어가 사용자 ID별로 그룹화된 대규모 사용자 활동 로그에 대해 groupBy 집계를 실행하고 있습니다. 일부 사용자는 수백만 건의 기록을 보유하고 있어 작업 불균형과 긴 실행 시간을 초래하고 있습니다.
이 집계의 불균형을 바로잡을 수 있는 기술은 무엇일까요?

A. 집계 전에 왜곡된 키에 임의의 접두사를 추가하여 솔팅을 적용한 다음, 접두사를 제거한 후 다시 집계합니다.

B. Spark 드라이버 메모리를 늘리고 다시 시도하십시오.

C. 셔플을 방지하려면 groupBy 대신 reduceByKey를 사용하세요.

D. 집계 전에 편향된 사용자를 필터링합니다.

Databricks-Certified-Professional-Data-Engineer-KR 문제 69

분산된 데이터 분석가 팀이 자동 확장이 구성된 대화형 클러스터에서 컴퓨팅 리소스를 공유합니다. 워크스페이스 관리자는 비용과 쿼리 처리량을 더 효율적으로 관리하기 위해 클러스터 확장이 동시 사용자 수 증가 때문인지 아니면 리소스 집약적인 쿼리 때문인지 평가하고자 합니다.
클러스터 크기 조정 이벤트의 타임라인은 어디에서 확인할 수 있나요?

A. 신경절

B. 운전자의 로그 파일

C. 클러스터 이벤트 로그

D. 작업 공간 감사 로그

E. 실행기 로그 파일