100% Databricks Databricks-Certified-Data-Engineer-Professional日本語 Guaranteed Success With Testing Engine

Databricks Databricks-Certified-Data-Engineer-Professional日本語 Exam Overview:

Databricks Databricks-Certified-Data-Engineer-Professional日本語 Exam Syllabus Topics:

Databricks Certified Data Engineer Professional Exam (Databricks-Certified-Data-Engineer-Professional日本語版) Sample Questions:

1. Databricksを初めて使用するユーザーが、現在取り組んでいるパイプラインロジックの実行時間が長いという問題をトラブルシューティングしようとしています。現在、ユーザーはコードをセルごとに実行しており、display() 呼び出しを使用して、新しい変換が操作に追加される際にコードが論理的に正しい結果を生成していることを確認しています。平均実行時間を測定するため、ユーザーは各セルを対話形式で複数回実行しています。
次の調整のうち、本番環境でのコードのパフォーマンスをより正確に測定できるのはどれですか?

A) 実稼働コードの開発は IDE を使用してのみ行う必要があります。オープンソースの Spark と Delta Lake のローカル ビルドに対してコードを実行すると、実稼働環境でのコードのパフォーマンスに関する最も正確なベンチマークが得られます。
B) Photon はスケジュールされたジョブ用に起動されたクラスターでのみ有効にできるため、Jobs Ul を活用してノートブックをジョブとして時々実行し、増分コード開発中の実行時間を追跡する必要があります。
C) Scala は、インタラクティブ ノートブックを使用して正確にテストできる唯一の言語です。JAR にコンパイルされた Scala コードを使用すると最高のパフォーマンスが得られるためです。すべての PySpark および Spark SQL ロジックをリファクタリングする必要があります。
D) display () を呼び出すとジョブが強制的にトリガーされますが、多くの変換は論理クエリ プランに追加されるだけです。キャッシュのため、同じロジックを繰り返し実行しても意味のある結果は得られません。
E) 開発ノートブックでコード実行時間を意味のある方法でトラブルシューティングする唯一の方法は、運用規模のデータと運用規模のクラスターを「すべて実行」実行で使用することです。

2. データエンジニアは、Lakeflow Spark Declarative Pipelines で顧客データパイプラインを構築しています。ソースは、顧客レコードの挿入、更新、削除を含む、保存期間が限定されたクラウドベースのイベントストリームです。これらの変更は、SCD タイプ 1 テーブルをターゲットテーブル customer_dim として維持するために、AUTO CDC INTO 構文を使用して適用されます。データエンジニアは、customer_dim テーブルからストリームを取得し、更新イベントと削除イベントのみに反応してデータを増分処理するダウンストリームジョブをどのように構築すればよいでしょうか。

A) 更新および削除中にパイプラインが壊れないようにするには、customer_dim からのストリーミング中に ignoreChanges フラグを使用します。
B) customer_dim テーブルからのストリーミングは、SCD 2 保持の場合にのみ可能です。
C) customer_dim テーブルから変更データ フィードを読み取り、フィルターを適用して変更イベントを段階的に処理します。
D) SCD 1 として保存する場合、AUTO CDC INTO のターゲットには更新と削除が含まれます。これらの操作により、customer_dim からのストリーミングが失敗する可能性があります。代わりに、元のソースから別のストリームを構築してください。

3. 本番環境で構造化ストリーミング ジョブをスケジュールする場合、クエリの失敗から自動的に回復し、コストを低く抑える構成はどれですか。

A) クラスター: 既存の多目的クラスター。
再試行回数: 無制限
最大同時実行数: 1
B) クラスター: 既存の多目的クラスター。
再試行: なし;
最大同時実行数: 1
C) クラスター: 新しいジョブ クラスター;
再試行: なし;
最大同時実行数: 1
D) クラスター: 既存の多目的クラスター。
再試行回数: 無制限
最大同時実行数: 1
E) クラスター: 新しいジョブ クラスター;
再試行回数: 無制限
最大同時実行数: 無制限

4. 次のロジックを使用して、activity_details という名前の Delta テーブルに CHECK 制約が正常に追加されました。

バッチジョブは、緯度 = のレコードを含む新しいレコードをテーブルに挿入しようとしています。
45.50、経度 = 212.67。
このバッチ挿入の結果を説明するステートメントはどれですか?

A) 違反レコードに達すると書き込みは失敗します。以前に処理されたレコードはターゲット テーブルに記録されます。
B) 書き込みにはターゲット テーブル内のすべてのレコードが含まれます。違反は valid_coordinates というブール列に示されます。
C) 書き込みでは、テーブル制約に違反するレコードを除くすべてのレコードが挿入されます。違反するレコードは警告ログに報告されます。
D) 書き込みでは、テーブル制約に違反するレコードを除くすべてのレコードが挿入されます。違反するレコードは隔離テーブルに記録されます。
E) 制約違反のため書き込みは完全に失敗し、ターゲット テーブルにレコードは挿入されません。

5. 工場内の故障したIoTセンサーが-500℃の温度を報告したため、LDPパイプラインは-100℃から200℃までの値しか許容しないという期待値を満たせませんでした。データエンジニアは、この原因をより深く理解するために、不具合のあるデータをさらに分析したいと考えています。データエンジニアは、データ品質基準を維持しながら、不具合のあるデータをどのように解決すべきでしょうか？

A) 無効なレコードが出力に含まれ、パイプラインが失敗しないように、期待アクションを失敗から警告に変更します。
B) パイプライン コードを修正し、パイプラインを再実行する前に、障害のあるデータを分離するための検疫ロジックを実装します。
C) データの品質に関係なく、将来の障害を防ぐために、パイプラインからすべての期待を削除します。
D) エラーを無視してパイプラインを再実行します。Databricks は次回の実行時に問題のあるレコードを自動的にスキップします。

Solutions: