A. 'df.drop('credit_card')'를 사용하여 'credit_card' 열을 삭제한 후 'customer_df'를 'secure_customers'에 직접 저장합니다.

B. UDF를 사용하여 'credit_card' 열을 암호화한 후 DataFrame을 'secure_customers'에 저장합니다.

C. 보안 뷰를 사용하여 credit_card 열을 제외한 필수 열만 선택하는 Snowpark 데이터프레임을 생성하고, 이를 'secure_customers'에 저장합니다.

D. 'df.write.mode('overwrite').save_as_table('temp_customers')'를 사용하여 'customer_df'를 임시 테이블에 저장합니다. 그런 다음 'temp_customers' 테이블에서 'credit_card' 열을 제외하고 'secure_customers'라는 새 테이블을 생성합니다.

E. SnoMlake에서 마스킹 정책을 생성하고 'customer_df'를 영구 저장한 후 'secure_customers' 테이블의 'credit_card' 열에 적용합니다.

A. 

B. 

C. 

D. 
【그리고】:

A. 개인 키를 Snowpark 코드 저장소에 직접 저장합니다.

B. 저장된 개인 키를 암호화합니다.

C. 개인 키를 환경 변수 또는 안전한 비밀 관리 시스템(예: HashiCorp Vault, AWS Secrets Manager, Azure Key Vault)에 저장하십시오.

D. 개인 키가 포함된 환경 변수에 대한 광범위한 접근 권한을 모든 개발자에게 부여합니다.

E. 열쇠 쌍을 정기적으로 돌려주세요.

A. 창고 크기를 더 큰 인스턴스로 늘립니다(예: X-Small에서 Large로).

B. 조인 및 윈도우 함수를 수행하기 전에 편향된 열의 해시값을 기반으로 데이터에 솔팅 또는 사전 파티셔닝을 구현합니다.

C. 'session.createDataFrame'을 사용하여 더 작은 조회 테이블을 캐시하고 모든 작업자 노드에 브로드캐스트합니다.

D. 항상 최신 데이터가 사용되도록 쿼리 결과 캐싱을 비활성화합니다.

E. 변환을 수행하기 전에 Snowpark DataFrame을 Pandas DataFrame으로 변환하십시오.

A. Snowpark만으로는 병합 작업 세부 정보(삽입/업데이트/변경되지 않은 행)를 직접 캡처할 수 없습니다. 병합 전후의 데이터를 비교하려면 Snowpark 외부에서 사용자 지정 로직을 구현해야 합니다.

B. 병합 문 내의 'returning' 절을 사용하여 영향을 받는 행과 해당 변경 상태(INSERTED, UPDATED)를 검색한 다음 'write.saveAsTable'을 사용하여 이 데이터를 추적 테이블에 기록할 수 있습니다.

C. 병합 작업은 삽입, 업데이트 또는 변경되지 않은 각 행의 세부 정보를 기록하는 시스템 테이블 또는 뷰를 자동으로 생성합니다.

D. 병합 후 'sales_table'을 조회하고 병합 전 'sales_table'의 복사본과 비교합니다. 새 버전에는 있지만 이전 버전에는 없는 행을 삽입된 행으로, 두 버전 간 특정 열의 값이 다른 행을 업데이트된 행으로 식별합니다. 이 전략은 비용이 많이 드는 작업이므로 일반 SQL로는 계산할 수 없으며, 외부 함수나 사용자 정의 함수(UDF)를 사용하여 구현해야 합니다.

E. 'returning' 절을 저장 프로시저와 함께 사용하여 삽입/업데이트된 행과 해당 상태를 검색한 다음, 저장 프로시저를 사용하여 삽입 문을 통해 다른 추적 테이블에 기록할 수 있습니다.