最新 [2026年02月24日]Databricks-Certified-Data-Engineer-Associate日本語試験正確解答Databricks Certified Data Engineer Associate Exam (Databricks-Certified-Data-Engineer-Associate日本語版)のPDF問題 [Q56-Q79]

最新 [2026年02月24日]Databricks-Certified-Data-Engineer-Associate日本語試験正確解答Databricks Certified Data Engineer Associate Exam (Databricks-Certified-Data-Engineer-Associate日本語版)のPDF問題

あなたのキャリアーを稼いで飛躍せよDatabricks 156問題

質問 # 56
Structured Streaming が処理の正確な進行状況を確実に追跡し、再起動や再処理によってあらゆる種類の障害に対処できるようにするには、Spark が各トリガーで処理されるデータのオフセット範囲を記録するために使用する次の 2 つのアプローチのどちらですか。

• A. チェックポイントとべき等シンク
• B. 先行書き込みログとべき等シンク
• C. 再生可能なソースとべき等なシンク
• D. 構造化ストリーミングでは、各トリガーで処理されるデータのオフセット範囲を記録できません。
• E. チェックポイントと先行書き込みログ

正解：E

解説：
Structured Streaming uses checkpointing and write-ahead logs to record the offset range of the data being processed in each trigger. This ensures that the engine can reliably track the exact progress of the processing and handle any kind of failure by restarting and/or reprocessing. Checkpointing is the mechanism of saving the state of a streaming query to fault-tolerant storage (such as HDFS) so that it can be recovered after a failure. Write-ahead logs are files that record the offset range of the data being processed in each trigger and are written to the checkpoint location before the processing starts. These logs are used to recover the query state and resume processing from the last processed offset range in case of a failure. References: Structured Streaming Programming Guide, Fault Tolerance Semantics

質問 # 57
データアナリストはSQLプログラムに一連のクエリを作成しています。このプログラムを毎日実行したいと考えています。プログラムの最後のクエリは日曜日のみ実行したいと考えており、このタスクを完了するためにデータエンジニアリングチームに支援を求めています。
データ エンジニアリング チームがこのタスクを完了するために使用できるアプローチは次のどれですか。

• A. PySpark を使用してクエリをラップし、Python の制御フロー システムを使用して最終クエリをいつ実行するかを決定できます。
• B. この機能を追加するには、Databricks に機能リクエストを送信することができます。
• C. 最終クエリでソース テーブルへのアクセスを自動的に制限し、日曜日のみアクセスできるようにすることができます。
• D. プログラム全体を実行できるのは日曜日のみでした。
• E. データ モデルを再設計して、最終クエリで使用されるデータを新しいテーブルに分離することができます。

正解：A

解説：
This approach would allow the data engineering team to use the existing SQL program and add some logic to control the execution of the final query based on the day of the week. They could use the datetime module in Python to get the current date and check if it is a Sunday. If so, they could run the final query, otherwise they could skip it. This way, they could schedule the program to run every day without changing the data model or the source table. References: PySpark SQL Module, Python datetime Module, Databricks Jobs

質問 # 58
世界的な小売企業は、複数のカテゴリ (電子機器、衣料品など) と地域 (たとえば、米国) にわたって製品を販売しています。
たとえば、北、南、東、西などです。営業チームはデータ エンジニアに、以下のように sales_df という PySpark データフレームを提供し、戦略的な意思決定を行うためにデータ エンジニアが営業データを分析できるようにしたいと考えています。

• A. Category_sales = sales df.groupBy("category").agg(sum("sales amount") .alias ("total sales amount"))
• B. Category_sale: .es df -agg (sum ("sales amount") .-;r*i:rRy ("category") .alias ("total sa.en amount"))
• C. Category_sales = sales_df.sum("3ales_amount"). g-1- upBy("categcryn).alias("toLal_sales_amount))
• D. Category_sales = sales_df.groupBy("reqion"). agq(sum("sales_amountn).alias(ntotal_sales_amount''))

正解：A

質問 # 59
次のデータ レイクハウス機能のうち、従来のデータ レイクよりもデータ品質が向上するのはどれですか。

• A. データ レイクハウスでは、SQL クエリを使用してデータを検査できます。
• B. データ レイクハウスはオープン形式でデータを保存します。
• C. データ レイクハウスは、ACID 準拠のトランザクションをサポートします。
• D. データ レイクハウスは、機械学習と人工知能のワークロードを可能にします。
• E. データ レイクハウスは、構造化データと非構造化データのストレージ ソリューションを提供します。

正解：C

解説：
A data lakehouse is a data management architecture that combines the flexibility, cost-efficiency, and scale of data lakes with the data management and ACID transactions of data warehouses, enabling business intelligence (BI) and machine learning (ML) on all data12. One of the key features of a data lakehouse is that it supports ACID-compliant transactions, which means that it ensures data integrity, consistency, and isolation across concurrent read and write operations3. This feature results in improved data quality over a traditional data lake, which does not support transactions and may suffer from data corruption, duplication, or inconsistency due to concurrent or streaming data ingestion and processing . Reference: 1: What is a Data Lakehouse? - Databricks 2: What is a Data Lakehouse? Definition, features & benefits. - Qlik 3: ACID Transactions - Databricks : [Data Lake vs Data Warehouse: Key Differences] : [Data Lakehouse: The Future of Data Engineering]

質問 # 60
データエンジニアは、テーブルstoresの配列列employeesから、経験5年以上の従業員を特定するためのカスタムロジックを適用する必要があります。このカスタムロジックでは、各行に経験5年以上の従業員全員を格納した配列である新しい列exp_employeesを作成します。このカスタムロジックを大規模に適用するために、データエンジニアは高階関数FILTERを使用したいと考えています。
次のコード ブロックのうち、このタスクを正常に完了するものはどれですか。

• A. オプションC
• B. オプションD
• C. オプションE
• D. オプションA
• E. オプションB

正解：D

解説：
Option A is the correct answer because it uses the FILTER higher-order function correctly to filter out employees with more than 5 years of experience from the array column "employees". It applies a lambda function i -> i.years_exp > 5 that checks if the years of experience of each employee in the array is greater than 5. If this condition is met, the employee is included in the new array column "exp_employees".
The use of higher-order functions like FILTER can be referenced from Databricks documentation on Higher- Order Functions.

質問 # 61
データ アーキテクトは、次の形式のテーブルが必要であると判断しました。

次のコード ブロックのうち、この名前のテーブルが既に存在するかどうかに関係なく、SQL DDL コマンドを使用して上記の形式で空の Delta テーブルを作成するものはどれですか。

• A. オプションE
• B. オプションC
• C. オプションD
• D. オプションB
• E. オプションA

正解：A

解説：
Create a table using SQL | Databricks on AWS, Create a table using SQL - Azure Databricks, Delta Lake Quickstart - Azure Databricks

質問 # 62
SQL を使用して Delta Live Tables (DLT) テーブルを作成するときに、CREATE LIVE TABLE 構文ではなく CREATE STREAMING LIVE TABLE (以前の CREATE INCREMENTAL LIVE TABLE) 構文を使用する必要があるのはどれですか。

• A. 複雑な集計を通じてデータを処理する必要がある場合は、CREATE STREAMING LIVE TABLE を使用する必要があります。
• B. DLT パイプラインの前のステップが静的である場合は、CREATE STREAMING LIVE TABLE を使用する必要があります。
• C. データを増分的に処理する必要がある場合は、CREATE STREAMING LIVE TABLE を使用する必要があります。
• D. DLT パイプラインの後続のステップが静的である場合は、CREATE STREAMING LIVE TABLE を使用する必要があります。
• E. CREATE STREAMING LIVE TABLE は DLT では冗長なので、使用する必要はありません。

正解：C

解説：
A streaming live table or view processes data that has been added only since the last pipeline update. Streaming tables and views are stateful; if the defining query changes, new data will be processed based on the new query and existing data is not recomputed. This is useful when data needs to be processed incrementally, such as when ingesting streaming data sources or performing incremental loads from batch data sources. A live table or view, on the other hand, may be entirely computed when possible to optimize computation resources and time. This is suitable when data needs to be processed in full, such as when performing complex transformations or aggregations that require scanning all the data. Reference: Difference between LIVE TABLE and STREAMING LIVE TABLE, CREATE STREAMING TABLE, Load data using streaming tables in Databricks SQL.

質問 # 63
データセットは Delta Live Tables を使用して定義されており、期待値句が含まれています。
CONSTRAINT valid_timestamp EXPECT (timestamp > '2020-01-01') ON VIOLATION FAIL UPDATE これらの制約に違反するデータを含むデータのバッチが処理される場合、どのような動作が期待されますか?

• A. 期待に違反するレコードがあると、ジョブは失敗します。
• B. 期待に違反するレコードはターゲット データセットに追加され、イベント ログに無効として記録されます。
• C. 期待に違反するレコードはターゲット データセットから削除され、イベント ログに無効として記録されます。
• D. 期待に違反するレコードはターゲット データセットに追加され、ターゲット データセットに追加されたフィールドで無効としてフラグが付けられます。

正解：C

解説：
The expected behavior when a batch of data containing data that violates the expectation is processed is that the job will fail. This is because the expectation clause has the ON VIOLATION FAIL UPDATE option, which means that if any record in the batch does not meet the expectation, the entire batch will be rejected and the job will fail. This option is useful for enforcing strict data quality rules and preventing invalid data from entering the target dataset.
Option A is not correct, as the ON VIOLATION FAIL UPDATE option does not drop the records that violate the expectation, but fails the entire batch. To drop the records that violate the expectation and record them as invalid in the event log, the ON VIOLATION DROP RECORD option should be used.
Option C is not correct, as the ON VIOLATION FAIL UPDATE option does not drop the records that violate the expectation, but fails the entire batch. To drop the records that violate the expectation and load them into a quarantine table, the ON VIOLATION QUARANTINE RECORD option should be used.
Option D is not correct, as the ON VIOLATION FAIL UPDATE option does not add the records that violate the expectation, but fails the entire batch. To add the records that violate the expectation and record them as invalid in the event log, the ON VIOLATION LOG RECORD option should be used.
Option E is not correct, as the ON VIOLATION FAIL UPDATE option does not add the records that violate the expectation, but fails the entire batch. To add the records that violate the expectation and flag them as invalid in a field added to the target dataset, the ON VIOLATION FLAG RECORD option should be used.
Reference:
Delta Live Tables Expectations
[Databricks Data Engineer Professional Exam Guide]

質問 # 64
データエンジニアは、中央GitリポジトリからクローンしたDatabricksリポジトリでコードを実行しています。同僚から、変更が中央Gitリポジトリに同期されたことが報告されました。データエンジニアは、中央Gitリポジトリから変更を取得するために、Databricksリポジトリを同期する必要があります。
このタスクを実行するためにデータ エンジニアが実行する必要がある Git 操作は次のどれですか。

• A. クローン
• B. 行く
• C. 押す
• D. コミット
• E. プル

正解：E

解説：
To sync a Databricks Repo with the changes from a central Git repository, the data engineer needs to run the Git pull operation. This operation fetches the latest updates from the remote repository and merges them with the local repository. The data engineer can use the Pull button in the Databricks Repos UI, or use the git pull command in a terminal session. The other options are not relevant for this task, as they either push changes to the remote repository (Push), combine two branches (Merge), save changes to the local repository (Commit), or create a new local repository from a remote one (Clone). Reference:
Run Git operations on Databricks Repos
Git pull

質問 # 65
エンジニアリングマネージャーは、Databricks SQLクエリを使用して、各データソースの取り込みレイテンシを監視しています。マネージャーはクエリの結果を毎日確認していますが、毎日手動でクエリを再実行し、結果を待っています。
クエリの結果が毎日更新されるようにするために、マネージャーが使用できるアプローチは次のどれですか。

• A. Databricks SQL の SQL エンドポイントのページから、クエリを 1 日ごとに更新するようにスケジュールできます。
• B. Databricks SQL の SQL エンドポイントのページから、クエリを 12 時間ごとに更新するようにスケジュールできます。
• C. Databricks SQL のクエリ ページから、クエリを 1 日ごとに更新するようにスケジュールできます。
• D. ジョブ UI から 12 時間ごとにクエリを実行するようにスケジュールできます。
• E. ジョブ UI からクエリを 1 日ごとに実行するようにスケジュールできます。

正解：C

解説：
Databricks SQL allows users to schedule queries to run automatically at a specified frequency and time zone.
This can help users to keep their dashboards or alerts updated with the latest data. To schedule a query, users need to do the following steps:
* In the Query Editor, click Schedule > Add schedule to open a menu with schedule settings.
* Choose when to run the query. Use the dropdown pickers to specify the frequency, period, starting time, and time zone. Optionally, select the Show cron syntax checkbox to edit the schedule in Quartz Cron Syntax.
* Choose More options to show optional settings. Users can also choose a name for the schedule, and a SQL warehouse to power the query.
* Click Create. The query will run automatically according to the schedule.
The other options are incorrect because they do not refer to the correct location or frequency to schedule the query. The query's page in Databricks SQL is the place where users can edit, run, or schedule the query. The SQL endpoint's page in Databricks SQL is the place where users can manage the SQL warehouses and SQL endpoints. The Jobs UI is the place where users can create, run, or schedule jobs that execute notebooks, JARs, or Python scripts. References: Schedule a query, What are Databricks SQL alerts?, Jobs.

質問 # 66
デルタ テーブルのストレージ構成を説明するものはどれですか。

• A. デルタ テーブルでは、データは 1 つのファイルに保存され、すべてのメタデータは別の場所にあるファイルのコレクションに保存されます。
• B. デルタ テーブルは、テーブル内に格納されているデータのみを含む単一のファイルに格納されます。
• C. デルタ テーブルは、テーブル内に格納されているデータのみを含むファイルのコレクションに格納されます。
• D. デルタ テーブルは、データ、履歴、メタデータ、およびその他の属性を含むファイルのコレクションに保存されます。
• E. デルタ テーブルは、データ、履歴、メタデータ、およびその他の属性を含む単一のファイルに保存されます。

正解：D

解説：
Delta Lake is the optimized storage layer that provides the foundation for storing data and tables in the Databricks lakehouse. Delta Lake is open source software that extends Parquet data files with a file-based transaction log for ACID transactions and scalable metadata handling1. Delta Lake stores its data and metadata in a collection of files in a directory on a cloud storage system, such as AWS S3 or Azure Data Lake Storage2. Each Delta table has a transaction log that records the history of operations performed on the table, such as insert, update, delete, merge, etc. The transaction log also stores the schema and partitioning information of the table2. The transaction log enables Delta Lake to provide ACID guarantees, time travel, schema enforcement, and other features1. Reference:
What is Delta Lake? | Databricks on AWS
Quickstart - Delta Lake Documentation

質問 # 67
データ エンジニアは、テーブルから読み取り、データを操作し、新しいテーブルにストリーミング書き込みを実行するように構造化ストリーミング ジョブを構成しました。

データ エンジニアが使用するコード ブロックは次のとおりです。
データ エンジニアが、クエリでマイクロバッチを実行して 5 秒ごとにデータを処理するだけの場合、空白を埋めるためにどのコード行を使用する必要がありますか。

• A. trigger(once="5 seconds")
• B. trigger(continuous="5 seconds")
• C. trigger("5 seconds")
• D. trigger(processingTime="5 seconds")

正解：D

質問 # 68
ゴールド テーブルとシルバー テーブルの関係を説明するのは次のどれですか。

• A. ゴールド テーブルには、シルバー テーブルよりも真実のデータが含まれる可能性が高くなります。
• B. ゴールド テーブルには、シルバー テーブルよりも貴重なデータが含まれる可能性が高くなります。
• C. Gold テーブルには Silver テーブルよりも集計が含まれる可能性が高くなります。
• D. Gold テーブルには Silver テーブルよりも多くのデータが含まれる可能性が高くなります。
• E. ゴールド テーブルには、シルバー テーブルよりもデータのビューがあまり洗練されていない可能性が高くなります。

正解：C

解説：
According to the medallion lakehouse architecture, gold tables are the final layer of data that powers analytics, machine learning, and production applications. They are often highly refined and aggregated, containing data that has been transformed into knowledge, rather than just information. Silver tables, on the other hand, are the intermediate layer of data that represents a validated, enriched version of the raw data from the bronze layer. They provide an enterprise view of all its key business entities, concepts and transactions, but they may not have all the aggregations and calculations that are required for specific use cases. Therefore, gold tables are more likely to contain aggregations than silver tables. Reference:
What is the medallion lakehouse architecture?
What is a Medallion Architecture?

質問 # 69
デルタ テーブルのストレージ構成を説明するものはどれですか。

• A. デルタ テーブルでは、データは 1 つのファイルに保存され、すべてのメタデータは別の場所にあるファイルのコレクションに保存されます。
• B. デルタ テーブルは、テーブル内に格納されているデータのみを含む単一のファイルに格納されます。
• C. デルタ テーブルは、テーブル内に格納されているデータのみを含むファイルのコレクションに格納されます。
• D. デルタ テーブルは、データ、履歴、メタデータ、およびその他の属性を含むファイルのコレクションに保存されます。
• E. デルタ テーブルは、データ、履歴、メタデータ、およびその他の属性を含む単一のファイルに保存されます。

正解：D

解説：
Delta Lake is the optimized storage layer that provides the foundation for storing data and tables in the Databricks lakehouse. Delta Lake is open source software that extends Parquet data files with a file-based transaction log for ACID transactions and scalable metadata handling1. Delta Lake stores its data and metadata in a collection of files in a directory on a cloud storage system, such as AWS S3 or Azure Data Lake Storage2. Each Delta table has a transaction log that records the history of operations performed on the table, such as insert, update, delete, merge, etc. The transaction log also stores the schema and partitioning information of the table2. The transaction log enables Delta Lake to provide ACID guarantees, time travel, schema enforcement, and other features1. References:
* What is Delta Lake? | Databricks on AWS
* Quickstart - Delta Lake Documentation

質問 # 70
特定のユースケースに特化したサイロ化されたデータ アーキテクチャを簡素化および統合するために使用できるのは次のどれですか。

• A. データレイク
• B. どれでもない
• C. これらすべて
• D. データウェアハウス
• E. データレイクハウス

正解：E

解説：
A data lakehouse is a new paradigm that can be used to simplify and unify siloed data architectures that are specialized for specific use cases. A data lakehouse combines the best of both data lakes and data warehouses, providing a single platform that supports diverse data types, open standards, low-cost storage, high-performance queries, ACID transactions, schema enforcement, and governance. A data lakehouse enables data engineers to build reliable and scalable data pipelines that can serve various downstream applications and users, such as data science, machine learning, analytics, and reporting. A data lakehouse leverages the power of Delta Lake, a storage layer that brings reliability and performance to data lakes. Reference: What is a data lakehouse?, Delta Lake, Lakehouse: A New Generation of Open Platforms that Unify Data Warehousing and Advanced Analytics

質問 # 71
データエンジニアは、Delta Live Tables（DLT）パイプラインに3つのテーブルを配置しています。各テーブルで無効なレコードを削除するようにパイプラインを設定しています。DLTパイプラインのどこかの時点で、品質上の懸念から一部のデータが削除されていることに気付きました。パイプラインのどのテーブルでデータが削除されているのかを特定したいと考えています。
データ エンジニアがレコードを削除しているテーブルを識別するために実行できるアプローチは次のどれですか。

• A. 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。
• 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. 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。
• D. 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。
• E. 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。

正解：D

解説：
One of the features of DLT is that it provides data quality metrics for each dataset in the pipeline, such as the number of records that pass or fail expectations, the number of records that are dropped, and the number of records that are written to the target. These metrics can be accessed from the DLT pipeline page, where the data engineer can click on each table and view the data quality statistics for the latest update or any previous update. This way, they can identify which table is dropping the records and why. Reference:
Monitor Delta Live Tables pipelines
Manage data quality with Delta Live Tables

質問 # 72
あるデータエンジニアは、Databricks SQLダッシュボードを使用して、ELTジョブへの入力データのクリーン度を監視しています。ELTジョブには、予期しないNULL値を含む入力レコードの数を返すDatabricks SQLクエリがあります。データエンジニアは、この値が100に達した際に、メッセージングWebhookを介してチーム全体に通知したいと考えています。
NULL 値の数が 100 に達したときに、データ エンジニアがメッセージング Webhook を介してチーム全体に通知するために使用できるアプローチは次のどれですか。

• A. 通知なしでアラートを設定できます。
• B. 新しい Webhook アラートの送信先を持つアラートを設定できます。
• C. 1 回限りの通知でアラートを設定できます。
• D. カスタム テンプレートを使用してアラートを設定できます。
• E. 新しい電子メールアラートの送信先を指定してアラートを設定できます。

正解：B

解説：
A webhook alert destination is a way to send notifications to external applications or services via HTTP requests. A data engineer can use a webhook alert destination to notify their entire team via a messaging webhook, such as Slack or Microsoft Teams, whenever the number of NULL values in the input data reaches 100. To set up a webhook alert destination, the data engineer needs to do the following steps:
In the Databricks SQL workspace, navigate to the Settings gear icon and select SQL Admin Console.
Click Alert Destinations and click Add New Alert Destination.
Select Webhook and enter the webhook URL and the optional custom template for the notification message.
Click Create to save the webhook alert destination.
In the Databricks SQL editor, create or open the query that returns the number of input records containing unexpected NULL values.
Click the Create Alert icon above the editor window and configure the alert criteria, such as the value column, the condition, and the threshold.
In the Notification section, select the webhook alert destination that was created earlier and click Create Alert. Reference: What are Databricks SQL alerts?, Monitor alerts, Monitoring Your Business with Alerts, Using Automation Runbook Webhooks To Alert on Databricks Status Updates.

質問 # 73
データ エンジニアは、テーブルから読み取り、データを操作し、新しいテーブルにストリーミング書き込みを実行するように構造化ストリーミング ジョブを構成しました。

データ エンジニアが使用するコード ブロックは次のとおりです。
データ エンジニアが、クエリでマイクロバッチを実行して 5 秒ごとにデータを処理するだけの場合、空白を埋めるためにどのコード行を使用する必要がありますか。

• A. trigger(once="5 seconds")
• B. trigger(continuous="5 seconds")
• C. trigger("5 seconds")
• D. trigger(processingTime="5 seconds")

正解：D

質問 # 74
Structured Streaming が処理の正確な進行状況を確実に追跡し、再起動や再処理によってあらゆる種類の障害に対処できるようにするには、Spark が各トリガーで処理されるデータのオフセット範囲を記録するために使用する次の 2 つのアプローチのどちらですか。

• A. チェックポイントとべき等シンク
• B. 先行書き込みログとべき等シンク
• C. 再生可能なソースとべき等なシンク
• D. 構造化ストリーミングでは、各トリガーで処理されるデータのオフセット範囲を記録できません。
• E. チェックポイントと先行書き込みログ

正解：E

解説：
Structured Streaming uses checkpointing and write-ahead logs to record the offset range of the data being processed in each trigger. This ensures that the engine can reliably track the exact progress of the processing and handle any kind of failure by restarting and/or reprocessing. Checkpointing is the mechanism of saving the state of a streaming query to fault-tolerant storage (such as HDFS) so that it can be recovered after a failure. Write-ahead logs are files that record the offset range of the data being processed in each trigger and are written to the checkpoint location before the processing starts. These logs are used to recover the query state and resume processing from the last processed offset range in case of a failure. Reference: Structured Streaming Programming Guide, Fault Tolerance Semantics

質問 # 75
データエンジニアがSpark SQLテーブルmy_tableを削除しようとしています。データエンジニアは、テーブルのメタデータとデータをすべて削除したいと考えています。
次のコマンドを実行します。
my_tableが存在する場合はテーブルを削除
SHOW TABLES を実行してもオブジェクトは表示されなくなりますが、データ ファイルは引き続き存在します。
データ ファイルがまだ存在し、メタデータ ファイルが削除された理由を説明するのは次のどれですか。

• A. テーブルは外部でした
• B. テーブルに場所がありませんでした
• C. テーブルのデータが10 GB未満でした
• D. テーブルのデータが10 GBを超えています
• E. テーブルは管理されました

正解：A

解説：
An external table is a table that is defined in the metastore and points to an existing location in the storage system. When you drop an external table, only the metadata is deleted from the metastore, but the data files are not deleted from the storage system. This is because external tables are meant to be shared by multiple applications and users, and dropping them should not affect the data availability. On the other hand, a managed table is a table that is defined in the metastore and also managed by the metastore. When you drop a managed table, both the metadata and the data files are deleted from the metastore and the storage system, respectively. This is because managed tables are meant to be exclusive to the application or user that created them, and dropping them should free up the storage space. Therefore, the correct answer is C, because the table was external and only the metadata was deleted when the table was dropped. References: Databricks Documentation - Managed and External Tables, Databricks Documentation - Drop Table

質問 # 76
Delta Live Table パイプラインには、ストリーミングライブテーブルを使用して定義された 2 つのデータセットが含まれています。ライブテーブルを使用して、Delta Lake テーブルソースに対して 3 つのデータセットが定義されています。
テーブルは、継続パイプライン モードを使用してプロダクション モードで実行されるように構成されています。
以前に処理されていないデータが存在し、すべての定義が有効であると仮定して、[開始] をクリックしてパイプラインを更新した後、どのような結果が期待されますか?

• A. パイプラインがシャットダウンされるまで、すべてのデータセットは設定された間隔で更新されます。コンピューティングリソースは、追加のテストを可能にするために保持されます。
• B. すべてのデータセットが一度更新され、パイプラインがシャットダウンされます。コンピューティングリソースは終了します。
• C. すべてのデータセットが一度更新され、パイプラインはシャットダウンされます。コンピューティングリソースは、追加のテストのために保持されます。
• D. パイプラインがシャットダウンされるまで、すべてのデータセットは設定された間隔で更新されます。コンピューティングリソースは更新のためにデプロイされ、パイプラインが停止すると終了します。

正解：D

解説：
In Delta Live Tables (DLT), when configured to run in Continuous Pipeline Mode, particularly in a production environment, the system is designed to continuously process and update data as it becomes available. This mode keeps the compute resources active to handle ongoing data processing and automatically updates all datasets defined in the pipeline at predefined intervals. Once the pipeline is manually stopped, the compute resources are terminated to conserve resources and reduce costs. This mode is suitable for production environments where datasets need to be kept up-to-date with the latest data.
References:Databricks documentation on Delta Live Tables: Delta Live Tables Guide

質問 # 77
ある組織は、Databricks Unityカタログに保存されているデータセットを、Databricks以外のデータプラットフォームを利用する外部パートナーと共有する必要があります。その目的は、データのセキュリティを維持し、パートナーが効率的にデータにアクセスできるようにすることです。
データ エンジニアがデータセットを外部パートナーと安全に共有するには、どの方法を使用する必要がありますか?

• A. Databricks 間の共有
• B. データをCSVファイルとしてエクスポートし、メールで送信する
• C. オープン共有プロトコルでデルタ共有を使用する
• D. サードパーティのAPIを使用してDeltaテーブルにアクセスする

正解：C

質問 # 78
データエンジニアは、特定のユースケースのために、テーブルストア内の文字列列 city にカスタムロジックを適用する必要があります。このカスタムロジックを大規模に適用するために、データエンジニアはSQLユーザー定義関数（UDF）を作成したいと考えています。
次のコード ブロックのどれがこの SQL UDF を作成しますか?

• A.
• B.
• C.
• D.
• E.

正解：B

解説：
https://www.databricks.com/blog/2021/10/20/introducing-sql-user-defined-functions.html

質問 # 79
......

正真正銘のベスト資料はDatabricks-Certified-Data-Engineer-Associate日本語オンライン練習試験：https://www.passtest.jp/Databricks/Databricks-Certified-Data-Engineer-Associate-JPN-shiken.html