SPS-C01 문제 81
Snowpark 애플리케이션은 Snowflake 테이블에 저장된 대량의 센서 데이터를 처리해야 합니다. 이 테이블에는 'sensor_id', 'timestamp', 'sensor_id' 등의 열이 포함되어 있습니다. 애플리케이션은 각 센서 ID에 대해 5분 간격으로 이동 평균을 계산해야 합니다. 데이터는 각 'sensor_id' 내에서 'timestamp' 순으로 완벽하게 정렬되어 있지 않습니다. Snowpark를 사용하여 이 이동 평균 계산을 구현하는 가장 효율적이고 정확한 방법은 무엇일까요?
SPS-C01 문제 82
데이터 엔지니어링 팀이 대용량 데이터를 처리하는 Snowpark 애플리케이션을 개발하고 있습니다. 이들은 쿼리 실행 및 리소스 할당을 세밀하게 제어하기 위해 세션 매개변수를 활용하고자 합니다. 다음 중 애플리케이션에 값을 하드코딩하지 않고, 데이터 웨어하우스 크기 및 쿼리 시간 초과와 같은 민감한 정보가 워크로드에 따라 동적으로 조정되도록 세션 매개변수를 설정하는 가장 효율적이고 안전한 방법은 무엇일까요?
SPS-C01 문제 83
DataFrame을 사용하여 Snowflake 테이블에 대한 upsert 작업을 수행하는 Snowpark 함수를 구축해야 합니다. 이 함수는 대상 테이블 이름, 스테이징 DataFrame, 조인 키 열, 그리고 업데이트할 열 목록을 매개변수로 받아야 합니다. 또한, 스키마 변경(즉, 대상 테이블이나 스테이징 DataFrame에서 열이 추가되거나 제거될 수 있음)으로 인해 전체 upsert 작업이 실패하지 않도록 원활하게 처리해야 합니다. 다음 중 어떤 접근 방식 또는 접근 방식 조합이 이 요구 사항을 가장 잘 충족할까요?
SPS-C01 문제 84
'orders_df'라는 이름의 Snowpark DataFrame이 있으며, 이 DataFrame에는 'order_id', 'customer_id', 'order_date', 'order_total' 열이 있습니다. Python용 Snowpark를 사용하여 다음과 같은 데이터 보강 단계를 수행해야 합니다. 1. 'order_date' 열에서 'year'를 계산합니다. 2. 'order_total'이 $100보다 크면 10% 할인을 적용하여 'discounted_total'을 계산하고, 그렇지 않으면 할인을 적용하지 않습니다. 3. 각 고객별 연도별 총 지출액을 기준으로 'customer_tier'라는 새 열을 생성합니다. 총 지출액이 $1000보다 큰 고객은 'Gold', $500에서 $1000 사이는 'Silver', $500 미만은 'Bronze'로 분류합니다. 다음 코드 조각 중 Snowpark를 사용하여 이러한 데이터 보강 단계를 올바르게 구현한 것은 무엇입니까? (customer_total_spend_df DataFrame이 이미 존재한다고 가정합니다.)
SPS-C01 문제 85
머신러닝 추론을 위해 scikit-learn과 같은 타사 라이브러리를 사용하는 Snowpark Python UDF를 개발했습니다. 이 UDF가 Snowflake에서 안전하고 효율적으로 실행되도록 해야 합니다. 다음 중 종속성 관리 및 UDF 환경 보안을 위한 모범 사례는 무엇입니까? 해당하는 모든 항목을 선택하십시오.