무료 온라인 액세스 Snowflake.SPS-C01.v2026-07-27.q113 모의 시험 (Page 21)

SPS-C01 문제 96

Snowpark DataFrame에 Snowflake 테이블로 로드할 데이터가 있습니다. 'merge' 작업을 사용하여 기존 레코드를 업데이트하고 새 레코드를 삽입하려고 합니다. DataFrame에는 레코드가 이미 존재하는 경우 업데이트(TRUE)할지 삽입(FALSE)할지를 나타내는 BOOLEAN 열이 있습니다. 다음 SQL 표현식 중 'merge' 작업의 'WHEN MATCHED' 및 'WHEN NOT MATCHED' 절에서 이 로직을 올바르게 구현하는 것은 무엇입니까?

A. 일치하는 경우 = TRUE이면 target_table.columnl 값을 staging_df.columnl로 업데이트합니다. 일치하지 않는 경우 = FALSE이면 (column) 값을 staging_df.columnl에 삽입합니다.

B. 일치하는 경우 target_table.columnl을 staging_df.columnl로 업데이트합니다. 일치하지 않는 경우 (column) 값을 staging_df.columnl에 삽입합니다.

C. 일치하는 경우 = TRUE이면 columni 값을 staging_df.columnl로 업데이트합니다. 일치하지 않는 경우 = FALSE이면 (columni) 값을 staging_df.columnl에 삽입합니다.

D. 일치하는 경우 columni 값을 staging_df.columnl로 업데이트하고, 일치하지 않는 경우 (columni) 값을 staging_df.columnl에 삽입합니다.

E. 일치하는 경우 columni 값을 staging_df.columnl로 업데이트합니다. 일치하지 않는 경우 (columni) 값을 staging_df.columnl에 삽입합니다.

SPS-C01 문제 97

'product_name'과 'description'을 포함한 제품 정보가 담긴 Snowpark 데이터프레임을 사용하고 있습니다. 'description' 열에서 처음 세 단어를 소문자로 변환하여 'search_terms'라는 새 열을 만들어야 합니다. 설명이 세 단어 미만인 경우에는 사용 가능한 모든 단어를 'search_terms' 열에 포함해야 합니다. 단어들은 공백으로 구분되어야 합니다. Snowpark를 사용하여 이 작업을 수행하는 가장 효율적인 방법은 무엇일까요?

A.

B.

C.

D.
【그리고】:

SPS-C01 문제 98

Snowpark DataFrame 'df'에 'transaction_date'라는 문자열 타입의 열이 있고, 이 열에는 'YYYY-MM-DD' 형식의 날짜 값이 포함되어 있습니다. 또한 'transaction_amount'라는 문자열 타입의 열에는 '$1,234.56'과 같은 통화 값이 포함되어 있습니다. 이 DataFrame 'df_transformed'를 만들 때, 'transaction_date'는 DATE 타입으로, 'transaction_amount'는 DOUBLE 타입으로 변환해야 합니다. 어떤 Snowpark Python 코드를 작성해야 이 변환을 가장 효율적으로 수행하고, 변환 과정에서 발생할 수 있는 오류를 처리할 수 있을까요?

A. ...python df_transformed = df.with_column('transaction_date', to_date(col('transaction_date'))).with_column('transaction_amount', to_double(col('transaction_amount').replace('$',").replace(',',")))

B. ...python df_transformed = df.with_column('transaction_date', to_date(col('transaction_date') YYYY-MM-DD')).with_column('transaction_amount', col('transaction_amount').cast(DoubleType()))

C. ...snowflake.snowpark.functions에서 가져온 `try_to_date`, `try_to_double` 함수 사용. `df_transformed = df.with_column('transaction_date', try_to_date(col('transaction_date'))).with_column('transaction_amount', try_to_double(regexp_replace(col('transaction_amount'), '[$,]', ")))`

D. ...python df_transformed = df.select(to_date(col('transaction_date')).alias('transaction_date'), to_double(col('transaction_amount')).alias('transaction_amount'))

E. ...python import snowflake.snowpark.functions as sf df_transformed = df.with_column('transaction_date', sf.to_date(sf.col('transaction_date'), format='YYYY- MM-DD')).with_column('transaction_amount', sf.to_double(sf.regexp_replace(sf.col('transaction_amount'), '[$,]', ")

SPS-C01 문제 99

'my_module.py'라는 사용자 정의 Python 모듈(해당 모듈에는 'process data' 함수가 포함되어 있음)을 사용하는 Snowpark UDF를 생성했습니다. 이 모듈은 Anaconda를 통해 사용할 수 없습니다. 해당 모듈을 'my module.zip'이라는 zip 파일로 패키징했습니다. 이 UDF가 'my_module'을 올바르게 사용할 수 있도록 Snowflake에 배포하려면 어떤 단계를 거쳐야 합니까?

A. 'my_module.zip' 파일을 내부 스테이지에 업로드한 다음, UDF 정의 내에서 'session.add_import'를 사용하여 스테이지 경로를 지정하고 UDF를 생성합니다. 추가 구성은 필요하지 않습니다.

B. 'my_module.zip' 파일을 내부 스테이지에 업로드합니다. UDF를 생성할 때 'imports' 인수에 스테이지 경로를 지정합니다. UDF 내에서 sys.path를 변경할 필요는 없습니다.

C. 'my_module.zip' 파일을 외부 저장소(예: AWS S3 또는 Azure Blob Storage)에 업로드합니다. Snowflake가 외부 저장소에 접근할 수 있도록 구성합니다. 'imports' 인수에 외부 저장소 경로를 지정하여 UDF를 생성합니다.

D. 'my_module.zip' 파일을 내부 스테이지에 업로드합니다. UDF를 생성할 때 'imports' 인수에 스테이지 경로를 지정합니다. UDF 내에서 'sys.path'를 수정하여 Snowflake가 zip 파일의 압축을 푸는 경로를 포함시키세요.

E. 'my_module.zip' 파일을 내부 스테이지에 업로드합니다. UDF를 생성할 때 'packages' 인수에 스테이지 경로를 지정하세요. UDF 내에서 'sys.path'를 수정하여 Snowflake가 zip 파일의 압축을 푸는 경로를 포함시키세요.

SPS-C01 문제 100

Snowpark Python 저장 프로시저가 복잡한 데이터 변환을 수행합니다. 이 저장 프로시저는 대규모 테이블('TRANSACTIONS')에서 데이터를 읽어 변환된 데이터를 다른 테이블('PROCESSED TRANSACTIONS')에 기록해야 합니다. Snowpark의 병렬 처리 기능을 활용하여 이 저장 프로시저의 성능을 최적화하려고 합니다. 충분한 데이터 웨어하우스 리소스가 있다고 가정할 때, 다음 중 어떤 접근 방식이 저장 프로시저의 성능을 크게 향상시킬 수 있을까요?

A. Snowpark DataFrame API를 사용하여 'TRANSACTIONS' 테이블을 읽고 벡터화된 UDF를 사용하여 변환을 적용합니다. 그런 다음 'write' 메서드를 사용하여 변환된 데이터를 'PROCESSED TRANSACTIONS' 테이블에 기록합니다.

B. 저장 프로시저 내에서 'TRANSACTIONS' 테이블 전체를 Pandas DataFrame으로 읽어 들인 후, Pandas 함수를 사용하여 변환을 수행합니다. 그런 다음, Snowpark의 'createDataFrame' 및 'write' 메서드를 사용하여 변환된 데이터를 테이블에 다시 씁니다.

C. 저장 프로시저 내에서 Snowflake의 표준 SQL 쿼리를 사용하여 데이터를 읽고 변환합니다. 'INSERT' 문을 사용하여 결과를 'PROCESSED TRANSACTIONS' 테이블에 기록합니다.

D. Snowpark의 'sprocs' 데코레이터를 적절한 'packages'와 함께 사용하고, 벡터화된 UDF를 통해 Snowpark DataFrame API를 활용하여 데이터를 변환합니다. 변환 후 'session.write_pandaS'를 사용하여 Pandas DataFrame을 'PROCESSED_TRANSACTIONS' 테이블에 기록합니다.

E. 저장 프로시저 내에서 'TRANSACTIONS' 테이블의 데이터를 임시 테이블로 로드한 다음, 임시 테이블에서 표준 SQL 쿼리를 사용하여 변환을 수행하고, 마지막으로 Snowpark DataFrame API를 사용하여 'PROCESSED_TRANSACTIONS' 테이블에 다시 기록합니다.