[2025年03月15日] DP-600日本語のPDF問題集にはあなたに不可欠なDP-600日本語試験解答を合格に繋ぐ！ [Q40-Q62]

[2025年03月15日] DP-600日本語のPDF問題集にはあなたに不可欠なDP-600日本語試験解答を合格に繋ぐ！

DP-600日本語のPDF解答で完璧な予見DP-600日本語練習試験問題

質問 # 40
Sales.Products という名前のテーブルを含む Fabric ウェアハウスがあります。 Sales.Products には次の列が含まれます。

次の列を返す T-SQL クエリを作成する必要があります。

コードをどのように完成させるべきでしょうか?回答するには、回答領域で適切なオプションを選択してください。

正解：

解説：

Explanation:
* For the HighestSellingPrice, you should use the GREATEST function to find the highest value from the given price columns. However, T-SQL does not have a GREATEST function as found in some other SQL dialects, so you would typically use a CASE statement or an IIF statement with nested MAX functions. Since neither of those are provided in the options, you should select MAX as a placeholder to indicate the function that would be used to find the highest value if combining multiple MAX functions or a similar logic was available.
* For the TradePrice, you should use the COALESCE function, which returns the first non-null value in a list. The COALESCE function is the correct choice as it will return AgentPrice if it's not null; if AgentPrice is null, it will check WholesalePrice, and if that is also null, it will return ListPrice.
The complete code with the correct SQL functions would look like this:
SELECT ProductID,
MAX(ListPrice, WholesalePrice, AgentPrice) AS HighestSellingPrice, -- MAX is used as a placeholder COALESCE(AgentPrice, WholesalePrice, ListPrice) AS TradePrice FROM Sales.Products Select MAX for HighestSellingPrice and COALESCE for TradePrice in the answer area.

質問 # 41
lakehouse1 という名前のレイクハウスを含むファブリック テナントがあります。 Lakehouse1 には Table1 という名前のテーブルが含まれています。
新しいデータ パイプラインを作成しています。
外部データを Table1 にコピーする予定です。外部データのスキーマは定期的に変更されます。
次の要件を満たすためにコピー操作が必要です。
* Table1 を外部データのスキーマに置き換えます。
* Table1 のすべてのデータを外部データの行に置き換えます。
データのコピー アクティビティをパイプラインに追加します。データのコピー アクティビティでは何をする必要がありますか?

• A. [ソース] タブから列を追加します。
• B. 「ソース」タブから「再帰的に」を選択します。
• C. [設定] タブから、[ステージングを有効にする] を選択します。
• D. [ソース] タブから、[パーティション検出を有効にする] を選択します。
• E. [宛先] タブで、テーブル アクションを [上書き] に設定します。

正解：E

解説：
For the Copy data activity, from the Destination tab, setting Table action to Overwrite (B) will ensure that Table1 is replaced with the schema and rows of the external data, meeting the requirements of replacing both the schema and data of the destination table. References = Information about Copy data activity and table actions in Azure Data Factory, which can be applied to data pipelines in Fabric, is available in the Azure Data Factory documentation.

質問 # 42
倉庫を含む Fabric テナントがあります。
顧客ディメンションを含むスター スキーマ モデルを設計しています。顧客ディメンション テーブルは、タイプ 2 のゆっくりと変化するディメンション (SCD) になります。
テーブルに追加する列を推奨する必要があります。列はソース内にすでに存在していてはなりません。
どの 3 種類のカラムをお勧めしますか?それぞれの正解は、解決策の一部を示しています。
注: 各正解は 1 ポイントの価値があります。

• A. 代理キー
• B. 外部キー
• C. 有効な開始日時
• D. 自然キー
• E. 有効な終了日時

正解：A、C、E

解説：
For a Type 2 slowly changing dimension (SCD), you typically need to add the following types of columns that do not exist in the source system:
* An effective start date and time (E): This column records the date and time from which the data in the row is effective.
* An effective end date and time (A): This column indicates until when the data in the row was effective.
It allows you to keep historical records for changes over time.
* A surrogate key (C): A surrogate key is a unique identifier for each row in a table, which is necessary for Type 2 SCDs to differentiate between historical and current records.
References: Best practices for designing slowly changing dimensions in data warehousing solutions, which include Type 2 SCDs, are commonly discussed in data warehousing and business intelligence literature and would be part of the modeling guidance in a Fabric tenant's documentation.
Topic 1, Litware. Inc. Case Study
Overview
Litware. Inc. is a manufacturing company that has offices throughout North America. The analytics team at Litware contains data engineers, analytics engineers, data analysts, and data scientists.
Existing Environment
litware has been using a Microsoft Power Bl tenant for three years. Litware has NOT enabled any Fabric capacities and features.
Fabric Environment
Litware has data that must be analyzed as shown in the following table.

The Product data contains a single table and the following columns.

The customer satisfaction data contains the following tables:
* Survey
* Question
* Response
For each survey submitted, the following occurs:
* One row is added to the Survey table.
* One row is added to the Response table for each question in the survey.
The Question table contains the text of each survey question. The third question in each survey response is an overall satisfaction score. Customers can submit a survey after each purchase.
User Problems
The analytics team has large volumes of data, some of which is semi-structured. The team wants to use Fabric to create a new data store.
Product data is often classified into three pricing groups: high, medium, and low. This logic is implemented in several databases and semantic models, but the logic does NOT always match across implementations.
Planned Changes
Litware plans to enable Fabric features in the existing tenant. The analytics team will create a new data store as a proof of concept (PoC). The remaining Litware users will only get access to the Fabric features once the PoC is complete. The PoC will be completed by using a Fabric trial capacity.
The following three workspaces will be created:
* AnalyticsPOC: Will contain the data store, semantic models, reports, pipelines, dataflows, and notebooks used to populate the data store
* DataEngPOC: Will contain all the pipelines, dataflows, and notebooks used to populate Onelake
* DataSciPOC: Will contain all the notebooks and reports created by the data scientists The following will be created in the AnalyticsPOC workspace:
* A data store (type to be decided)
* A custom semantic model
* A default semantic model
* Interactive reports
The data engineers will create data pipelines to load data to OneLake either hourly or daily depending on the data source. The analytics engineers will create processes to ingest transform, and load the data to the data store in the AnalyticsPOC workspace daily. Whenever possible, the data engineers will use low-code tools for data ingestion. The choice of which data cleansing and transformation tools to use will be at the data engineers' discretion.
All the semantic models and reports in the Analytics POC workspace will use the data store as the sole data source.
Technical Requirements
The data store must support the following:
* Read access by using T-SQL or Python
* Semi-structured and unstructured data
* Row-level security (RLS) for users executing T-SQL queries
Files loaded by the data engineers to OneLake will be stored in the Parquet format and will meet Delta Lake specifications.
Data will be loaded without transformation in one area of the AnalyticsPOC data store. The data will then be cleansed, merged, and transformed into a dimensional model.
The data load process must ensure that the raw and cleansed data is updated completely before populating the dimensional model.
The dimensional model must contain a date dimension. There is no existing data source for the date dimension. The Litware fiscal year matches the calendar year. The date dimension must always contain dates from 2010 through the end of the current year.
The product pricing group logic must be maintained by the analytics engineers in a single location. The pricing group data must be made available in the data store for T-SQL queries and in the default semantic model. The following logic must be used:
* List prices that are less than or equal to 50 are in the low pricing group.
* List prices that are greater than 50 and less than or equal to 1,000 are in the medium pricing group.
* List pnces that are greater than 1,000 are in the high pricing group.
Security Requirements
Only Fabric administrators and the analytics team must be able to see the Fabric items created as part of the PoC. Litware identifies the following security requirements for the Fabric items in the AnalyticsPOC workspace:
* Fabric administrators will be the workspace administrators.
* The data engineers must be able to read from and write to the data store. No access must be granted to datasets or reports.
* The analytics engineers must be able to read from, write to, and create schemas in the data store. They also must be able to create and share semantic models with the data analysts and view and modify all reports in the workspace.
* The data scientists must be able to read from the data store, but not write to it. They will access the data by using a Spark notebook.
* The data analysts must have read access to only the dimensional model objects in the data store. They also must have access to create Power Bl reports by using the semantic models created by the analytics engineers.
* The date dimension must be available to all users of the data store.
* The principle of least privilege must be followed.
Both the default and custom semantic models must include only tables or views from the dimensional model in the data store. Litware already has the following Microsoft Entra security groups:
* FabricAdmins: Fabric administrators
* AnalyticsTeam: All the members of the analytics team
* DataAnalysts: The data analysts on the analytics team
* DataScientists: The data scientists on the analytics team
* Data Engineers: The data engineers on the analytics team
* Analytics Engineers: The analytics engineers on the analytics team
Report Requirements
The data analysis must create a customer satisfaction report that meets the following requirements:
* Enables a user to select a product to filter customer survey responses to only those who have purchased that product
* Displays the average overall satisfaction score of all the surveys submitted during the last 12 months up to a selected date
* Shows data as soon as the data is updated in the data store
* Ensures that the report and the semantic model only contain data from the current and previous year
* Ensures that the report respects any table-level security specified in the source data store
* Minimizes the execution time of report queries

質問 # 43
Lakehouse1 という名前のレイクハウスを含む Fabric テナントがあります。 Lakehouse1 には、CSV ファイルを含む Subfolder1 という名前のサブフォルダーが含まれています。 CSV ファイルを、V-Order 最適化が有効になっているデルタ形式に変換する必要があります。 Lakehouse エクスプローラーから何をすればよいですか?

• A. [テーブル] セクションに新しいショートカットを作成します。
• B. 最適化機能を使用します。
• C. [ファイル] セクションに新しいショートカットを作成します。
• D. テーブルへのロード機能を使用します。

正解：D

解説：
To convert CSV files into the delta format with Z-Order optimization enabled, you should use the Optimize feature (D) from Lakehouse Explorer. This will allow you to optimize the file organization for the most efficient querying. Reference = The process for converting and optimizing file formats within a lakehouse is discussed in the lakehouse management documentation.

質問 # 44
Lakehousel という名前のレイクハウスを含むファブリック テナントがあります。 Lakehousel には 8 つの列を持つデルタ テーブルが含まれています。同じ 8 列と追加の 2 列を含む新しいデータを受け取ります。
Spark DataFrame を作成し、その DataFrame を df という名前の変数に割り当てます。 DataFrame には新しいデータが含まれています。次の要件を満たすために、新しいデータをデルタ テーブルに追加する必要があります。
* 既存の行はすべて保持します。
* すべての新しいデータがテーブルに追加されていることを確認してください。
コードをどのように完成させるべきでしょうか?回答するには、回答領域で適切なオプションを選択してください。

正解：

解説：

質問 # 45
Sales.Orders という名前のテーブルを含む Fabric ウェアハウスがあります。 Sales.Orders には次の列が含まれます。

次の列を返す T-SQL クエリを作成する必要があります。

コードをどのように完成させるべきでしょうか?回答するには、回答領域で適切なオプションを選択してください。
注: 正しく選択するたびに 1 ポイントの価値があります。

正解：

解説：

Explanation:

For the PeriodDate that returns the first day of the month for OrderDate, you should use DATEFROMPARTS as it allows you to construct a date from its individual components (year, month, day).
For the DayName that returns the name of the day for OrderDate, you should use DATENAME with the weekday date part to get the full name of the weekday.
The complete SQL query should look like this:
SELECT OrderID, CustomerID,
DATEFROMPARTS(YEAR(OrderDate), MONTH(OrderDate), 1) AS PeriodDate,
DATENAME(weekday, OrderDate) AS DayName
FROM Sales.Orders
Select DATEFROMPARTS for the PeriodDate and weekday for the DayName in the answer area.

質問 # 46
Staging.Sales という名前のテーブルを含む Fabric ウェアハウスがあります。 Staging.Sales には次の列が含まれます。

ProductID と ProductName arxl の集計金額が 10,000 を超えていることを表示する 2023 年のデータを返す T-SQL クエリを作成する必要があります。どのクエリを使用する必要がありますか?

• A.
• B.
• C.
• D.

正解：B

解説：
The correct query to use in order to return data for the year 2023 that displays ProductID, ProductName, and has a summarized Amount greater than 10,000 is Option B. The reason is that it uses the GROUP BY clause to organize the data by ProductID and ProductName and then filters the result using the HAVING clause to only include groups where the sum of Amount is greater than 10,000. Additionally, the DATEPART(YEAR, SaleDate) = '2023' part of the HAVING clause ensures that only records from the year 2023 are included.
References = For more information, please visit the official documentation on T-SQL queries and the GROUP BY clause at T-SQL GROUP BY.

質問 # 47
単一の Fabric ワークスペースにメダリオン アーキテクチャを実装しています。
ブロンズ レイヤーとシルバー レイヤーを含むレイクハウスと、ゴールド レイヤーを含む倉庫があります。
次の表に示すように、レイヤーを設定するために必要な項目を作成します。

シルバーはブロンズが完了した後にのみ、ゴールドはシルバーが完了した後にのみ設定されるなど、レイヤーが毎日順番に設定されることを確認する必要があります。ソリューションは、開発の労力と複雑さを最小限に抑える必要があります。
各項目セットを実行するには何を使用すればよいですか? 回答するには、適切なオプションを正しい項目にドラッグします。各オプションは、1 回、複数回、またはまったく使用しない場合があります。コンテンツを表示するには、ペイン間の分割バーをドラッグするか、スクロールする必要がある場合があります。注: 正しい選択ごとに 1 ポイントの価値があります。

正解：

解説：

質問 # 48
ファブリック テナントがあります。
Fabric Data Factory パイプラインを作成しています。
当月のアクティブな顧客の数と平均売上を返すストアド プロシージャがあります。
ウェアハウス内のストアド プロシージャを実行するアクティビティを追加する必要があります。返された値は、パイプラインの下流アクティビティで使用できる必要があります。
どのタイプのアクティビティを追加する必要がありますか?

• A. データをコピーします
• B. ルックアップ
• C. メタデータを取得する
• D. ストアド プロシージャ

正解：B

解説：
In a Fabric Data Factory pipeline, to execute a stored procedure and make the returned values available for downstream activities, the Lookup activity is used. This activity can retrieve a dataset from a data store and pass it on for further processing. Here's how you would use the Lookup activity in this context:
* Add a Lookup activity to your pipeline.
* Configure the Lookup activity to use the stored procedure by providing the necessary SQL statement or stored procedure name.
* In the settings, specify that the activity should use the stored procedure mode.
* Once the stored procedure executes, the Lookup activity will capture the results and make them available in the pipeline's memory.
* Downstream activities can then reference the output of the Lookup activity.
References: The functionality and use of Lookup activity within Azure Data Factory is documented in Microsoft's official documentation for Azure Data Factory, under the section for pipeline activities.

質問 # 49
Fabricテナントをお持ちの場合
Fabric Data Factory パイプラインを作成しています。
アクティブ顧客の数と現在の月の平均売上を返すストアド プロシージャがあります。
ウェアハウスでストアド プロシージャを実行するアクティビティを追加する必要があります。返された値は、パイプラインの下流のアクティビティで使用できる必要があります。
どのような種類のアクティビティを追加する必要がありますか?

• A. スイッチ
• B. 変数を追加
• C. 検索
• D. KQL

正解：C

質問 # 50
価格設定グループの分類に関する問題を解決する必要があります。
T-SQL ステートメントはどのように完成させるべきでしょうか?回答するには、回答領域で適切なオプションを選択してください。
注: 正しく選択するたびに 1 ポイントの価値があります。

正解：

解説：

Explanation:

* You should use CREATE VIEW to make the pricing group logic available for T-SQL queries.
* The CASE statement should be used to determine the pricing group based on the list price.
The T-SQL statement should create a view that classifies products into pricing groups based on the list price.
The CASE statement is the correct conditional logic to assign each product to the appropriate pricing group.
This view will standardize the pricing group logic across different databases and semantic models.

質問 # 51
デフォルトの Spark スターター プールとランタイム バージョン 1、2 を使用する Fabric ワークスペースがあります。
レイクハウス内の Sales.raw.csv という CSV ファイルを読み取り、列を選択して、データを Delta テーブルとしてレイクハウスの管理領域に保存する予定です。Sales_raw.csv には 12 列が含まれています。
次のコードがあります。

次の各ステートメントについて、そのステートメントが true の場合は [はい] を選択します。それ以外の場合は、「いいえ」を選択します。 注: 正しく選択するたびに 1 ポイントの価値があります。

正解：

解説：

Explanation:

* The Spark engine will read only the 'SalesOrderNumber', 'OrderDate', 'CustomerName', 'UnitPrice' columns from Sales_raw.csv. - Yes
* Removing the partition will reduce the execution time of the query. - No
* Adding inferSchema='true' to the options will increase the execution time of the query. - Yes The code specifies the selection of certain columns, which means only those columns will be read into the DataFrame. Partitions in Spark are a way to optimize the execution of queries by organizing the data into parts that can be processed in parallel. Removing the partition could potentially increase the execution time because Spark would no longer be able to process the data in parallel efficiently. The inferSchema option allows Spark to automatically detect the column data types, which can increase the execution time of the initial read operation because it requires Spark to read through the data to infer the schema.

質問 # 52
倉庫を含む Fabric テナントがあります。
顧客ディメンションを含むスター スキーマ モデルを設計しています。顧客ディメンション テーブルは、タイプ 2 のゆっくりと変化するディメンション (SCD) になります。
テーブルに追加する列を推奨する必要があります。列はソース内にすでに存在していてはなりません。
どの 3 種類のカラムをお勧めしますか?それぞれの正解は、解決策の一部を示しています。
注: 各正解は 1 ポイントの価値があります。

• A. 代理キー
• B. 外部キー
• C. 有効な開始日時
• D. 自然キー
• E. 有効な終了日時

正解：A、C、E

解説：
For a Type 2 slowly changing dimension (SCD), you typically need to add the following types of columns that do not exist in the source system:
An effective start date and time (E): This column records the date and time from which the data in the row is effective.
An effective end date and time (A): This column indicates until when the data in the row was effective. It allows you to keep historical records for changes over time.
A surrogate key (C): A surrogate key is a unique identifier for each row in a table, which is necessary for Type 2 SCDs to differentiate between historical and current records.

質問 # 53
Dataflow1 という名前のデータ フローを含む Workspace1 という名前の Fabric ワークスペースがあります。 Dataflow1 には、次の図に示すデータを返すクエリが含まれています。

日付列を属性と値のペアに変換し、列が行になる必要があります。
VendorID 列を選択します。
VendorID 列のコンテキスト メニューからどの変換を選択する必要がありますか?

• A. グループ化
• B. 列を分割します
• C. 他の列のピボットを解除します
• D. 列のアンピボット
• E. 他の列を削除します

正解：D

解説：
The transformation you should select from the context menu of the VendorID column to transform the date columns into attribute-value pairs, where columns become rows, is Unpivot columns (B). This transformation will turn the selected columns into rows with two new columns, one for the attribute (the original column names) and one for the value (the data from the cells). Reference = Techniques for unpivoting columns are covered in the Power Query documentation, which explains how to use the transformation in data modeling.

質問 # 54
Microsoft Power Bl セマンティック モデルがあります。
[要約] プロパティが [なし] 以外の値に設定されているモデル内のサロゲート キー列を識別する必要があります。ソリューションは労力を最小限に抑える必要があります。
何を使えばいいのでしょうか？

• A. Microsoft Power Bl デスクトップのモデル エクスプローラー
• B. Microsoft Power Bl デスクトップのモデル ビュー
• C. 表形式エディターのベスト プラクティス アナライザー
• D. DAX Studio の DAX フォーマッター

正解：C

解説：
To identify surrogate key columns with the "Summarize By" property set to a value other than "None," the Best Practice Analyzer in Tabular Editor is the most efficient tool. The Best Practice Analyzer can analyze the entire model and provide a report on all columns that do not meet a specified best practice, such as having the "Summarize By" property set correctly for surrogate key columns. Here's how you would proceed:
Open your Power BI model in Tabular Editor.
Go to the Advanced Scripting window.
Write or use an existing script that checks the "Summarize By" property of each column.
Execute the script to get a report on the surrogate key columns that do not have their "Summarize By" property set to "None".
You can then review and adjust the properties of the columns directly within the Tabular Editor.

質問 # 55
ファブリック テナントがあります。
Spark DataFrame を使用して Microsoft Power Bl ビジュアルを生成する Fabric ノートブックを作成する予定です。
次のコードを実行します。

次の各ステートメントについて、そのステートメントが true の場合は [はい] を選択します。それ以外の場合は、「いいえ」を選択します。 注: 正しく選択するたびに 1 ポイントの価値があります。

正解：

解説：

Explanation:
* The code embeds an existing Power BI report. - No
* The code creates a Power BI report. - Yes
* The code displays a summary of the DataFrame. - Yes
The code provided seems to be a snippet from a SQL query or script which is neither creating nor embedding a Power BI report directly. It appears to be setting up a DataFrame for use within a larger context, potentially for visualization in Power BI, but the code itself does not perform the creation or embedding of a report. Instead, it's likely part of a data processing step that summarizes data.
References =
* Introduction to DataFrames - Spark SQL
* Power BI and Azure Databricks

質問 # 56
ファブリック セマンティック モデルを使用する Report1 という名前の Microsoft Power Bl レポートがあります。
ユーザーは、Report1 のレンダリングが遅いことに気づきました。
パフォーマンス アナライザーを開くと、「Orders By Date」という名前のビジュアルのレンダリングが最も遅いことがわかります。「Orders By Date」の所要時間の内訳を次の表に示します。

Report1 のレンダリング時間を最も短縮できるものは何でしょうか?

• A. ページの自動更新を有効にします。
• B. Orders By Dale のビジュアル タイプを変更します。
• C. DAX Studio を使用して、日付別注文の DAX クエリを最適化します。
• D. Report1 のビジュアルの数を減らします。

正解：D

解説：
Based on the duration breakdown provided, the major contributor to the rendering duration is categorized as
"Other," which is significantly higher than DAX Query and Visual display times. This suggests that the issue is less likely with the DAX calculation or visual rendering times and more likely related to model performance or the complexity of the visual. However, of the options provided, optimizing the DAX query can be a crucial step, even if "Other" factors are dominant. Using DAX Studio, you can analyze and optimize the DAX queries that power your visuals for performance improvements. Here's how you might proceed:
* Open DAX Studio and connect it to your Power BI report.
* Capture the DAX query generated by the Orders By Date visual.
* Use the Performance Analyzer feature within DAX Studio to analyze the query.
* Look for inefficiencies or long-running operations.
* Optimize the DAX query by simplifying measures, removing unnecessary calculations, or improving iterator functions.
* Test the optimized query to ensure it reduces the overall duration.
References: The use of DAX Studio for query optimization is a common best practice for improving Power BI report performance as outlined in the Power BI documentation.

質問 # 57
Model1 という名前のセマンティック モデルを含むファブリック テナントがあります。 Model1 はインポート モードを使用します。 Model1 には Orders という名前のテーブルが含まれています。 Orders には 1 億行と次のフィールドがあります。

Model が使用するメモリを減らす必要があります。モデルの更新にかかる時間。どの 2 つのアクションを実行する必要がありますか?それぞれの正解は、解決策の一部を示しています。注: 各正解は 1 ポイントの価値があります。

• A. 数量をテキスト データ型に変換します。
• B. TotalQuantity を計算列に置き換えます。
• C. OrderDateTime を個別の日付列と時刻列に分割します。
• D. TotalSalesAmount をメジャーに置き換えます。

正解：B、D

解説：
To reduce memory usage and refresh time, splitting the OrderDateTime into separate date and time columns (A) can help optimize the model because date/time data types can be more memory-intensive than separate date and time columns. Moreover, replacing TotalSalesAmount with a measure (D) instead of a calculated column ensures that the calculation is performed at query time, which can reduce the size of the model as the value is not stored but calculated on the fly. Reference = The best practices for optimizing Power BI models are detailed in the Power BI documentation, which recommends using measures for calculations that don't need to be stored and adjusting data types to improve performance.

質問 # 58
Fabricテナントをお持ちの場合
Pipeline1 という名前のデータ パイプラインを作成する予定です。Pipeline1 には、順番に実行される 2 つのアクティビティが含まれます。最初のアクティビティが失敗しても、2 番目のアクティビティがブロックされないようにする必要があります。最初のアクティビティと 2 番目のアクティビティの間には、どの条件パスを構成する必要がありますか。

• A. スキップ時
• B. 完了時
• C. 成功時
• D. 失敗した場合

正解：B

質問 # 59
OneLake に新しいセマンティック モデルを含む Fabric テナントがあります。
Fabric ノートブックを使用して、データを Spark DataFrame に読み取ります。
データを評価して、すべての文字列列と数値列の最小値、最大値、平均値、標準偏差の値を計算する必要があります。
解決策: 次の PySpark 式を使用します。
df .sumary ()
これは目標を達成していますか?

• A. はい
• B. いいえ

正解：A

解説：
Yes, the df.summary() method does meet the goal. This method is used to compute specified statistics for numeric and string columns. By default, it provides statistics such as count, mean, stddev, min, and max.
References = The PySpark API documentation details the summary() function and the statistics it provides.

質問 # 60
Microsoft タワー BL Premium 容量を使用するファブリック テナントがあります。セマンティック モデルのスケールアウトを有効にする必要があります。まず何をすべきでしょうか?

• A. テナント レベルで、[メトリックの作成と使用] を [有効] に設定します。
• B. セマンティック モデル レベルで、大規模データセットのストレージ形式をオンに設定します。
• C. テナント レベルで、Data Activator を有効に設定します。
• D. セマンティック モデル レベルで、大規模データセットのストレージ形式をオフに設定します。

正解：B

解説：
To enable scale-out for a semantic model, you should first set Large dataset storage format to On (C) at the semantic model level. This configuration is necessary to handle larger datasets effectively in a scaled-out environment. References = Guidance on configuring large dataset storage formats for scale-out is available in the Power BI documentation.

質問 # 61
倉庫を含む Fabric テナントがあります。ウェアハウスは行レベルのセキュリティ (RLS) を使用します。ウェアハウスのデルタ テーブルと RLS を使用する Direct Lake セマンティック モデルを作成します。ユーザーがモデルから構築されたレポートを操作するとき、DAX クエリではどのモードが使用されますか?

• A. DirectQuery
• B. インポート
• C. デュアル
• D. ダイレクトレイク

正解：A

解説：
When users interact with a report built from a Direct Lake semantic model that uses row-level security (RLS), the DAX queries will operate in DirectQuery mode (A). This is because the model directly queries the underlying data source without importing data into Power BI. References = The Power BI documentation on DirectQuery provides detailed explanations of how RLS and DAX queries function in this mode.

質問 # 62
......

DP-600日本語リアル試験問題と正確なImplementing Analytics Solutions Using Microsoft Fabric (DP-600日本語版)のPDF解答：https://www.passtest.jp/Microsoft/DP-600J-shiken.html