A. format("delta") を format("stream") に置き換えます。

B. 「transactions」をDeltaテーブルの場所へのパスに置き換えます

C. 予測をストリーム対応の予測関数に置き換える

D. spark.read を spark.readStream に置き換えます

E. スキーマ(schema)をオプション("maxFilesPerTrigger", 1)に置き換えます

A. 日時

B. Cron構文

C. pyspark.sql.types.DateType

D. pyspark.sql.types.TimestampType

E. この情報をプログラムで表現して送信する方法はありません

A. SUM

B. どこで

C. ピボット

D. 変換

E. 変形

A. パイプラインAの場合は、ストレージ最適化クラスタに切り替えます。パイプラインBの場合は、コンピューティング最適化クラスタを使用します。

B. パイプライン A の場合、フル collect() を削除するか、ドライバ容量を増やすことでドライバメモリに対処します。パイプライン B の場合、シャッフルパーティションまたはエグゼキュータメモリを増やします。

C. パイプラインAの場合は、エグゼキュータの数を増やします。パイプラインBの場合は、ドライバメモリを増やします。

D. 両方のパイプラインで、アダプティブクエリ実行を有効にしてください。これにより、すべてのドライバとエグゼキュータのメモリ割り当てが自動的に管理されます。

A. ブロンズ テーブルには、スキーマが適用された生データが含まれています。

B. ブロンズ テーブルには、生データよりも真実に近いデータが含まれています。

C. ブロンズ テーブルには、生データよりも精度の低いデータ ビューが含まれています。

D. ブロンズ テーブルには、生データ ファイルよりも少ないデータが含まれています。

E. ブロンズ テーブルには集計が含まれますが、生のデータは集計されません。

A. フルロード同期のみで個別のコネクタを使用し、履歴データを個別にアーカイブし、監査クエリ用の外部テーブルを作成します。

B. ソースごとに個別のコネクタを使用し、ソースに適した増分処理、個別のUnityカタログスキーマ、および監査コンプライアンスのために保持されるDeltaテーブルバージョンを使用します。

C. 3 つのソースすべてに単一の Lakeflow コネクタを使用し、Delta テーブルに直接書き込み、テーブルのバージョン管理を無効にしてストレージ コストを削減します。

D. バッチスケジューリング、共有Unityカタログスキーマ、外部に保存された増分スナップショットを備えた単一のコネクタを使用します。

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. テーブルに PII が含まれているかどうかを示す方法はありません。

B. コメント「PII が含まれています」

C. テーブルプロパティ PII

D. 追加

E. 「コメント PII」

A. ノートブックは制御プレーンに安全に保存され暗号化されており、ジョブの実行時にコードは計算プレーンで実行されます。

B. ノートブックは計算プレーンに安全に保存され暗号化されており、ジョブの実行時にコードは制御プレーンで実行されます。

C. ノートブックはワークスペースストレージバケットに暗号化されずに保存され、ジョブの実行時にコードはコンピューティングプレーンのクラスタドライバノードで実行されます。

D. ノートブックはUnity Catalogに安全に保存され、暗号化されています。コードはジョブの実行時にDelta Lakeで実行されます。

A. コスト削減のため、ワーカーノード数が少ない軽量シングルノードクラスタ

B. 常に稼働し、ジョブの起動時間を低遅延に保つための汎用クラスタ

C. 対話型SQLワークロード向けに設計された高並行性クラスタ

D. パイプライン実行中に複数のワーカー間で自動スケーリングするように構成されたジョブクラスタ