A. データ品質チェック用のカスタムコードが必要、ストリーミングデータはサポートされていない、パイプラインのメンテナンスが複雑

B. 手動スキーマの強制、高い運用オーバーヘッド、限られたスケーラビリティ

C. バッチ処理のみをサポートし、データのバージョン管理はサポートされず、インフラストラクチャのコストが高くなります。

D. 自動データ品質チェック、スキーマ進化の組み込みサポート、宣言型パイプライン開発

A. 最適化

B. GO

C. 真空

D. キャッシュテーブル

A. df.dropDuplicates() を df.drop("event_timestamp").dropDuplicates() に置き換えます

B. df.dropDuplicates() を df.groupBy("user_id", "event_type").count() に置き換えてください。

C. df.dropDuplicates() を df.distinct().select("user_id", "event_type") に置き換えます。

D. df.dropDuplicates() を df.dropDuplicates(["user_id", "event_type"]) に置き換えます。

A.

B.

C.

D.

E.

A. タスクを修復する

B. クラスターを交換する

C. クラスターを再起動する

D. ランニングを修復する

A. ダッシュボードの SQL エンドポイントが、含まれているクエリの SQL エンドポイントの 1 つではないことを確認できます。

B. ダッシュボードの SQL エンドポイントをサーバーレスに設定できます。

C. SQL エンドポイントの自動停止機能をオンにできます。

D. ダッシュボードの SQL エンドポイントが各クエリの SQL エンドポイントと一致していることを確認できます。

E. SQL エンドポイントのクラスター サイズを縮小できます。

A. チェックポイント

B. データブリックスSQL

C. Spark構造化ストリーミング

D. データエクスプローラー

E. Unity カタログ

A. 複数のTXTファイルを含むディレクトリ。各TXTファイルは、バンドル内の単一のリソースを記述している。

B. 実行時にリソースを動的に作成するconfigure_bundle.pyというPythonスクリプト。

C. すべてのリソースの詳細と環境変数を格納するbundle_config.jsonという名前のJSONファイル。

D. バンドル名、ターゲット、含まれるリソース、および変数を含むdatabricks.yml YAMLファイル

A. 徹底的なデータクレンジングを実行する

B. 複数のソースからの集計データ

C. ロード日時、プロセスIDの列を含める

D. ビジネスルールと変換

A. 最適化

B. 配布

C. 真空

D. 減らす

E. 圧縮

A. タスク C は 2 つの依存関係チェーンを使用します。タスク A はすべて成功し、タスク B は少なくとも 1 つが失敗します。

B. タスク C を実行する前に、タスク A と B の dbutils.jobs.taskValues をチェックする Python タスクを作成します。

C. タスク C は、条件ウィジェットを使用して、タスク A (すべて完了) とタスク B (すべて完了) に依存します。

D. タスク C はタスク A (成功) に依存しており、タスク B は負の依存関係として記載されています。

A. サーバーレスジョブの計算

B. 従来のジョブ計算

C. 定番の汎用コンピュータ

D. SQLウェアハウス

A. DLT パイプライン ページに移動し、各テーブルをクリックして、データ品質の統計を表示できます。

B. DLT パイプライン ページに移動し、「エラー」ボタンをクリックして、現在のエラーを確認できます。

C. DLT パイプラインを開発するときに、テーブルごとに個別の期待値を設定できます。

D. レコードが削除されたときに電子メールで通知するように DLT を設定できます。

E. どのテーブルがレコードを削除しているかを判断できません。

A. データ複製

B. データキャッシュ

C. パーティション剪定

D. 放送が参加します