A. 스트리밍 뷰에서 판매된 단위 합계를 선택합니다.

B. 스트리밍 뷰에서 최대 판매 단위를 선택하세요

C. SELECT id, sum(unitssold) FROM streaming_view GROUP BY id ORDER BY id

D. SELECT id, count(*) FROM streaming_view GROUP BY id

E. SELECT * FROM streadming_view ORDER BY id

A. 작업이 실행될 때마다 새로 업데이트된 레코드가 대상 테이블에 병합되어 동일한 기본 키를 가진 이전 값을 덮어씁니다.

B. 작업이 실행될 때마다 삽입 또는 업데이트된 레코드의 전체 사용 가능한 기록이 대상 테이블에 추가되어 많은 중복 항목이 발생합니다.

C. 작업이 실행될 때마다 삽입 또는 업데이트된 레코드의 전체 기록을 사용하여 대상 테이블을 덮어쓰고 원하는 결과를 얻습니다.

D. 작업이 실행될 때마다 원본 버전과 현재 버전 간의 차이가 계산됩니다. 이로 인해 일부 레코드에 중복 항목이 생길 수 있습니다.

E. 작업이 실행될 때마다 마지막 실행 이후 삽입되거나 업데이트된 레코드만 대상 테이블에 추가되어 원하는 결과를 제공합니다.

A. customer_churn_params 테이블의 모든 행에 이탈 모델을 적용하지만 예측이 변경되지 않은 행을 무시하는 예측 테이블에 업서트를 수행하는 논리를 구현합니다.

B. 전체 출력 모드를 사용하여 일괄 작업을 구조화된 스트리밍 작업으로 변환합니다. 구조화된 스트리밍 작업이 customer_churn_params 테이블에서 읽고 이탈 모델에 대해 증분 예측하도록 구성합니다.

C. 새로운 예측을 하기 전에 고유 고객을 식별하는 키에 대한 이전 모델 예측과 현재 customer_churn_params 간의 차이를 계산합니다. 이전 예측에 포함되지 않은 고객에 대해서만 예측을 합니다.

D. 호출하여 채워진 필드를 포함하도록 덮어쓰기 논리를 수정합니다.
데이터가 기록될 때 spark.sql.functions.current_timestamp()를 사용합니다. 이 필드를 사용하여 특정 날짜에 기록된 레코드를 식별합니다.

E. 현재 덮어쓰기 논리를 병합 문으로 바꿔 변경된 레코드만 수정합니다. 변경 데이터 피드에서 식별된 변경된 레코드에 대한 예측을 수행하는 논리를 작성합니다.

A. 다른 팀이 이 테이블을 사용하여 자주 실행되는 애플리케이션을 지원하기 때문에 2단계 잠금으로 인해 작업이 커밋되지 않습니다.

B. 활동 세부 정보 테이블이 이미 존재합니다. CHECK 제약 조건은 초기 테이블 생성 중에만 추가할 수 있습니다.

C. 활동 세부 정보 테이블에 이미 제약 조건을 위반하는 레코드가 포함되어 있습니다. 기존 테이블에 추가하려면 모든 기존 데이터가 CHECK 제약 조건을 통과해야 합니다.

D. 활동 세부 정보 테이블에 이미 레코드가 포함되어 있습니다. CHECK 제약 조건은 테이블에 값을 삽입하기 전에만 추가할 수 있습니다.

E. 현재 테이블 스키마에 필드 유효 좌표가 포함되어 있지 않습니다. 제약 조건을 추가하기 위해 테이블을 변경하기 전에 스키마 진화를 활성화해야 합니다.

A. 스트림 정적 조인의 각 마이크로배치는 각 마이크로배치 기준으로 정적 델타 테이블의 최신 버전을 사용합니다.

B. 스트림 정적 조인의 각 마이크로배치는 작업 초기화 시점의 정적 델타 테이블의 최신 버전을 사용합니다.

C. 체크포인트 디렉토리는 조인에 존재하는 고유 키에 대한 상태 정보를 추적하는 데 사용됩니다.

D. 일관성 문제로 인해 스트림 정적 조인은 정적 델타 테이블을 사용할 수 없습니다.

E. 체크포인트 디렉토리는 정적 Delta 테이블에 대한 업데이트를 추적하는 데 사용됩니다.