A. Amazon Neptune ML과 Apache Gremlin 스크립트를 사용하여 중복 레코드를 제거합니다.

B. 중복 데이터 방지를 위해 Amazon DynamoDB의 글로벌 테이블 기능을 사용합니다.

C. Amazon Athena에서 Windows 함수가 아닌 함수를 사용하여 중복 레코드를 제거합니다.

D. AWS Glue의 FindMatches 기능을 사용하여 중복 레코드를 제거합니다.

A. 데이터 형식을 .csv에서 JSON 형식으로 변경합니다. Snappy 압축을 적용합니다.

B. Snappy 압축을 사용하여 .csv 파일을 압축합니다.

C. 데이터 형식을 .csv에서 Apache Parquet으로 변경합니다. Snappy 압축을 적용합니다.

D. gzip 압축을 사용하여 .csv 파일을 압축하세요.

A. 데이터 세트에 계산 필드를 정의하고 생성합니다.

B. 분석에서 계산 필드를 정의하고 생성합니다.

C. 시각화에서 계산 필드를 정의하고 생성합니다.

D. 대시보드에서 계산 필드를 정의하고 생성합니다.

A. 구체화된 뷰는 캐시된 결과보다 유연하지만 일반적으로 속도는 더 느립니다.

B. 구체화된 뷰는 "캐시"(즉, 뷰에 대한 쿼리 결과) 덕분에 테이블보다 빠릅니다. 또한 데이터가 변경된 경우, 변경되지 않은 데이터는 "캐시"를 사용하고 변경된 데이터는 기본 테이블을 사용할 수 있습니다.

C. 모든 크기의 저장된 쿼리 결과에 대해 캐시는 24시간 후에 만료됩니다.

D. 웨어하우스 캐시의 크기는 웨어하우스의 컴퓨팅 리소스에 따라 결정됩니다.

E. 웨어하우스가 일시 중단되면 웨어하우스 캐시가 삭제되므로 웨어하우스가 다시 시작된 후 일부 쿼리의 초기 성능이 저하될 수 있습니다.

A. 조나스는 운영에 필요한 메모리/로컬 디스크 공간을 효과적으로 늘릴 수 있는 대용량 웨어하우스를 사용하는 것을 추천할 수 있습니다.

B. 그는 업무량을 관리하기 위해 데이터를 더 작은 단위로 처리할 수 있습니다.

C. 스필링은 쿼리 성능에 큰 영향을 미치지 않습니다(특히 스필링에 원격 디스크를 사용하는 경우).

D. 데이터 공유는 쿼리 성능 향상에 도움이 될 수 있습니다.