무료 온라인 액세스 Databricks.Databricks-Certified-Professional-Data-Engineer.v2026-01-19.q119 모의 시험 (Page 5)

Databricks-Certified-Professional-Data-Engineer 문제 16

Spark UI에서 술어 푸시다운을 활용하지 않아 발생한 성능 문제를 진단할 수 있는 곳은 어디인가요?

A. 실행자 로그 파일에서 "predicate push-down"을 위해 그립핑하여

B. 스테이지 세부 정보 화면의 완료된 스테이지 테이블에서 입력 열에서 읽은 데이터 크기를 기록합니다.

C. 스토리지 세부 정보 화면에서 디스크에 저장되지 않은 RDD를 확인합니다.

D. Delta Lake 트랜잭션 로그에서 열 통계를 기록하여

E. 쿼리 세부 정보 화면에서 물리적 계획을 해석하여

Databricks-Certified-Professional-Data-Engineer 문제 17

Spark Structured Streaming에서 사용하는 일반적인 프로그래밍 모델을 특징짓는 것은 무엇입니까?

A. 구조적 스트리밍은 특수 하드웨어와 I/O 스트림을 사용하여 데이터 전송에 대한 1초 미만의 지연 시간을 달성합니다.

B. 구조적 스트리밍은 데이터 스트림에 도착하는 새 데이터를 무제한 테이블에 추가된 새 행으로 모델링합니다.

C. 구조적 스트리밍은 캐시된 단계에 대한 증분 상태 값을 보유하는 노드의 분산 네트워크를 사용합니다.

D. 구조적 스트리밍은 메시징 버스로 구현되며 Apache Kafka에서 파생되었습니다.

E. 구조적 스트리밍은 GPU의 병렬 처리를 활용하여 높은 병렬 데이터 처리량을 달성합니다.

Databricks-Certified-Professional-Data-Engineer 문제 18

사용자의 콘텐츠 게시물에 대한 메타데이터를 나타내는 Delta Lake 테이블의 스키마는 다음과 같습니다.
사용자 ID LONG
post_text 문자열
게시물_id 문자열
경도 FLOAT
위도 FLOAT
post_time 타임스탬프
날짜 날짜
위의 스키마를 기준으로 볼 때, 델타 테이블을 분할하기에 적합한 열은 어느 것일까요?

A. 날짜

B. 사용자_ID

C. 게시물_id

D. 게시 시간

정답: A

델타 레이크 테이블 파티셔닝은 특정 열의 값을 기준으로 테이블을 여러 개의 세그먼트로 나누어 쿼리 성능을 향상시키는 전략입니다. 이 방식을 사용하면 쿼리가 관련 파티션만 검색하여 읽는 데이터 양을 줄이고 성능을 향상시킬 수 있습니다.
파티션 열 선택을 위한 고려 사항:
기수: 기수가 높은 열(즉, 고유 값의 수가 많은 열)은 일반적으로 분할에 적합하지 않습니다. 기수가 높으면 작은 분할이 많아져 성능이 저하될 수 있습니다.
쿼리 패턴: 파티션 열은 일반적인 쿼리 필터와 일치해야 합니다. 쿼리가 특정 열을 기준으로 데이터를 자주 필터링하는 경우, 해당 열을 기준으로 파티션을 나누는 것이 유용할 수 있습니다.
파티션 크기: 각 파티션은 이상적으로 최소 1GB의 데이터를 포함해야 합니다. 이렇게 하면 파티션이 너무 작아서 파티션이 너무 많아지거나 너무 커서 파티션 분할의 이점을 상쇄하지 않도록 할 수 있습니다.
컬럼 평가:
날짜:
기수: 일반적으로 낮습니다. 특히 데이터가 며칠, 몇 달 또는 몇 년에 걸쳐 있는 경우 더욱 그렇습니다.
쿼리 패턴: 많은 분석 쿼리는 날짜 범위를 기준으로 데이터를 필터링합니다.
파티션 크기: 데이터 볼륨에 따라 파티션당 1GB 임계값을 충족할 가능성이 높습니다.
사용자 ID:
기수: 각 사용자가 고유한 ID를 가지므로 높습니다.
쿼리 패턴: 일부 쿼리는 user_id로 필터링할 수 있지만, 높은 카디널리티로 인해 파티셔닝에 적합하지 않습니다.
파티션 크기: 파티션이 너무 작으면 비효율성이 발생할 수 있습니다.
게시물 ID:
기수: 매우 높고 각 게시물에 고유한 ID가 있습니다.
쿼리 패턴: 대규모 데이터 세트를 필터링하는 데 사용될 가능성은 낮습니다.
파티션 크기: 각 파티션은 매우 작아서 많은 수의 파티션이 생성됩니다.
게시 시간:
기수: 높음, 특히 정확한 타임스탬프가 포함된 경우.
쿼리 패턴: 쿼리는 시간별로 필터링할 수 있지만, 높은 카디널리티로 인해 어려움이 발생합니다.
파티션 크기: user_id와 마찬가지로 파티션이 너무 작을 수 있습니다.
결론:
이러한 고려 사항을 고려할 때, 날짜 열은 파티셔닝에 가장 적합한 후보입니다. 날짜 열은 카디널리티가 낮고, 일반적인 쿼리 패턴과 일치하며, 적절한 크기의 파티션을 생성할 가능성이 높습니다.
참조:
델타 호수 모범 사례
델타 레이크에서의 파티셔닝

Databricks-Certified-Professional-Data-Engineer 문제 19

데이터 과학 팀은 테이블에 평균 가격이라는 열이 누락되어 있다고 요청했습니다. 이는 판매된 수량과 판매 금액을 사용하여 계산할 수 있습니다. 다음 SQL 문 중 어떤 것을 사용하면 추가 열로 데이터를 다시 로드할 수 있습니까?

A. 1. 판매 덮어쓰기 삽입
2.SELECT *, salesAmt/unitsSold as avgPrice FROM sales

B. 1. 판매 테이블 만들기 또는 바꾸기
2.AS SELECT *, 판매 금액/단위 판매 평균 가격

C. (SELECT *, salesAmt/unitsSold as avgPrice FROM sales)를 사용하여 sales에 병합합니다.

D. 판매를 SELECT *로 덮어씁니다. 판매 금액/단위 판매 평균 가격 FROM 판매

E. SALES AS SELECT *로 복사, 판매 금액/단위 판매 평균 가격 판매

Databricks-Certified-Professional-Data-Engineer 문제 20

쿼리를 실행하는 데 걸린 총 시간을 확인하는 데 사용할 수 있는 방법은 무엇입니까?

A. Spark UI에서 해당 쿼리와 관련된 가장 오래 실행된 작업의 작업 기간을 가져옵니다.

B. Spark UI에서 해당 쿼리와 관련된 모든 작업에 대해 모든 단계에서 실행된 모든 작업 기간의 합계를 가져옵니다.

C. 해당 쿼리와 관련된 쿼리 프로파일러를 열고 총 벽시계 기간 메트릭을 사용합니다.

D. 해당 쿼리와 관련된 쿼리 프로파일러를 열고 집계된 작업 시간 메트릭을 사용합니다.

다른 버전: 990Databricks.Databricks-Certified-Professional-Data-Engineer.v2025-10-06.q107; 873Databricks.Databricks-Certified-Professional-Data-Engineer.v2024-03-25.q88; 1422Databricks.Databricks-Certified-Professional-Data-Engineer.v2023-08-21.q91; 609Databricks.Databricks-Certified-Professional-Data-Engineer.v2022-10-18.q20

최근 업로드: 107SolarWinds.Hybrid-Cloud-Observability-Network-Monitoring.v2026-07-18.q115; 120SAP.C_ARCIG.v2026-07-18.q27; 124SAP.C_CR125_2601.v2026-07-17.q26; 132SAP.P-C4H34-2601.v2026-07-17.q32; 151GInI.CInP.v2026-07-16.q100; 148Peoplecert.ITIL-4-CDS.v2026-07-16.q32; 161PythonInstitute.PCAP-31-03.v2026-07-16.q140; 149Oracle.1Z0-171.v2026-07-16.q39; 158IAM.IAM-Certificate.v2026-07-16.q74; 160InsuranceLicensing.NY-Life-Accident-and-Health.v2026-07-15.q40