A. Snowpark Python UDF는 Snowflake 웨어하우스에서 항상 단일 프로세스로 실행되므로 병렬 처리 기능이 제한됩니다.

B. Snowpark UDF는 스칼라 UDF(한 번에 한 행씩 처리) 또는 벡터화된 UDF(행 배치 처리)로 정의할 수 있으며, 각각 다른 성능 특성을 제공합니다.

C. 최적의 성능을 보장하기 위해 UDF 종속성에는 항상 기본 Snowflake Anaconda 채널을 사용하는 것이 좋습니다. 사용자 지정 채널은 지연 시간을 유발할 수 있습니다.

D. Snowpark UDF는 Snowflake 웨어하우스의 여러 노드에 데이터와 연산을 자동으로 분산시키지만, 분산 전략은 개발자가 제어할 수 없습니다.

E. Snowpark UDF는 Python 또는 Java를 사용하여 정의할 수 있으므로 작업에 가장 적합한 프로그래밍 언어를 선택할 수 있는 유연성을 제공합니다. Java UDF 생성 방식을 사용하면 실행 속도가 더 빠릅니다.

A. 

B. 

C. 

D. 
【그리고】:

A. 창고 크기를 가능한 최대 크기로 늘리세요.

B. 특정 열 또는 열 집합을 기준으로 데이터를 웨어하우스 노드 전체에 균등하게 재분배하는 기능을 사용합니다.

C. 변환을 수행하기 전에 함수를 사용하여 데이터를 정렬하십시오.

D. Snowflake의 기본 테이블 자동 클러스터링 기능을 활용하여 데이터 지역성을 향상시킵니다.

E. 큰 데이터프레임과 결합되는 작은 데이터프레임의 경우 'BROADCAST' 전략을 사용하여 함수를 사용하십시오.

A. 'session.udf.register'를 사용하고 라이브러리 코드를 UDF 정의 내에 문자열로 직접 포함하세요. 이렇게 하면 외부 종속성을 방지할 수 있습니다.

B. 필요한 Python 라이브러리를 사용하여 가상 환경을 생성하고, 이를 압축한 후, 압축 파일을 Snowflake 스테이지에 업로드하고, UDF를 등록하는 데 사용합니다. 등록 호출 시 스테이지 위치와 가상 환경을 참조하십시오.

C. 'session.add_packages'를 사용하여 Snowflake Anaconda 채널에서 특정 Python 패키지를 직접 추가한 다음(필요한 버전이 없는 경우에도), 'session.udf.register'를 사용하여 UDF를 정의하십시오.

D. 'functions.udf'를 사용하고 패키지 코드를 UDF 정의 내에 직접 포함시키세요. 이 방법은 패키지 관리를 자동으로 처리합니다.

E. Python 라이브러리가 포함된 Docker 컨테이너를 생성하고, 이를 Snowflake 컨테이너 서비스에 푸시한 다음, UDF에서 해당 컨테이너를 호출합니다.

A. 'process_data' UDTF가 포함된 데이터베이스에 대한 공유를 생성하고 해당 공유에 사용 권한을 부여합니다.

B. 안전한 UDTF를 생성하고 공유에 추가합니다.

C. UDTF에 대한 SELECT 권한을 공유에 부여합니다.

D. UDTF가 대상 계정에서 사용할 수 없는 외부 패키지 또는 종속성에 의존하지 않도록 하십시오.

E. UDTF에 대한 소유권 권한을 해당 주식에 부여합니다.