Certification objectives evolve, and your Databricks-Certified-Professional-Data-Engineer Korean preparation should evolve with them. Throughout 2026, Actual4dump provides ongoing updates for Databricks Certified Professional Data Engineer Exam (Databricks-Certified-Professional-Data-Engineer Korean Version), keeping the 217 practice questions relevant during your active study period.

Databricks Databricks-Certified-Professional-Data-Engineer Korean Exam Overview:

Databricks Databricks-Certified-Professional-Data-Engineer Korean Exam Syllabus Topics:

Databricks Databricks-Certified-Professional-Data-Engineer Korean Certification Exam FAQ

Databricks Certified Professional Data Engineer Exam (Databricks-Certified-Professional-Data-Engineer Korean Version) Sample Questions:

Question 1

Spark Driver log4j 출력 파싱 시 텍스트의 핵심 영역을 식별하는 데 사용할 수 있는 기술은 다음 중 무엇입니까?

A. Scala 데이터셋
B. C++
C. 정규 표현식
D. pyspsark.ml.feature
E. 줄리아

Question 2

시설 모니터링 팀이 Delta 테이블의 device_readings 데이터를 기반으로 거의 실시간에 가까운 Power BI 대시보드를 구축하고 있습니다.
* device_id 문자열 - 고유 센서 ID
* event_ts TIMESTAMP - 데이터 수집 타임스탬프(UTC)
* temperature_c DOUBLE - 섭씨 온도
* 참고 사항 STRING
각 센서에 대해, 팀은 2분 간격으로 겹치지 않는 5분 간격(예: 00:02-00:07, 00:07-00:12 등)으로 한 행씩을 생성하여 해당 구간의 평균 온도를 표시해야 합니다.
결과에는 각 구간의 시작 및 종료 타임스탬프가 포함되어야 하위 도구에서 시계열 막대를 정확하게 그릴 수 있습니다. 다음 쿼리 중 이 요구 사항을 충족하는 쿼리는 무엇입니까?

A. 버킷을 다음과 같이 사용(
선택하다
장치 ID,
window(event_ts, '5분', '5분', '2분') AS win, temperature_c FROM device_readings) SELECT device_id, win.start AS bucket_start, win.end AS bucket_end, AVG(temperature_c) AS avg_temp_5m FROM buckets GROUP BY device_id, win ORDER BY device_id, bucket_start;
B. 선택하다
장치 ID,
이벤트_ts,
AVG(온도_c) OVER (
device_id로 분할
event_ts를 기준으로 정렬
이전 5분 간격과 현재 행 사이의 범위
) AS 평균 온도 5m
device_readings에서
WINDOW w AS (window(event_ts, ' 5 minutes ' , ' 2 minutes ' ));
C. 선택하다
장치 ID,
date_trunc('minute', event_ts - INTERVAL 2 MINUTES) + INTERVAL 2 MINUTES AS bucket_start, date_trunc('minute', event_ts - INTERVAL 2 MINUTES) + INTERVAL 7 MINUTES AS bucket_end, AVG(temperature_c) AS avg_temp_5m FROM device_readings GROUP BY device_id, date_trunc('minute', event_ts - INTERVAL 2 MINUTES) ORDER BY device_id, bucket_start;
D. 선택하다
장치 ID,
윈도우 시작을 버킷 시작으로,
윈도우 끝을 버킷 끝으로,
AVG(온도_섭씨) AS avg_temp_5m
device_readings에서
GROUP BY device_id, window(event_ts, ' 5 minutes ' , ' 5 minutes ' , ' 2 minutes ' ) ORDER BY device_id, bucket_start;

Question 3

테이블은 다음 코드로 등록됩니다.

사용자와 주문은 모두 Delta Lake 테이블입니다. 다음 중 recent_orders 테이블을 쿼리했을 때의 결과를 설명하는 문장은 무엇입니까?

A. 모든 로직은 쿼리 실행 시점에 실행되며, 쿼리가 시작된 시점의 소스 테이블의 유효한 버전을 조인한 결과를 반환합니다.
B. 각 소스 테이블의 버전은 테이블 트랜잭션 로그에 저장되며, 쿼리 결과는 각 쿼리와 함께 DBFS에 저장됩니다.
C. 테이블이 정의될 때 결과가 계산되어 캐시됩니다. 캐시된 결과는 소스 테이블에 새 레코드가 삽입될 때마다 점진적으로 업데이트됩니다.
D. 모든 로직은 테이블이 정의될 때 실행되고 테이블 조인 결과는 DBFS에 저장됩니다. 저장된 데이터는 테이블을 쿼리할 때 반환됩니다.
E. 모든 로직은 쿼리 실행 시점에 실행되며, 쿼리가 완료되는 시점에 소스 테이블의 유효한 버전을 조인한 결과를 반환합니다.

Question 4

데이터 엔지니어가 Lakeflow Declarative Pipelines의 Expectations 기능을 사용하여 수신되는 센서 데이터의 품질을 추적하고 있습니다. 센서에서 주기적으로 범위를 벗어난 잘못된 측정값이 전송되는데, 현재는 해당 행에 경고 플래그를 지정하고 정상 데이터와 함께 실버 테이블에 기록하고 있습니다. 그런데 새로운 요구 사항이 생겼습니다. 잘못된 행을 별도의 격리 테이블에 저장하고 더 이상 실버 테이블에 포함시키지 않아야 한다는 것입니다.
이것은 그들의 은색 테이블에 대한 기존 코드입니다:
@dlt.table
@dlt.expect( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
What code will satisfy the requirements?

A. @dlt.table
@dlt.expect( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
@dlt.table
@dlt.expect( " invalid_sensor_reading " , " reading > = 120 " )
def quarantine_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
B. @dlt.table
@dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
@dlt.table
@dlt.expect( " invalid_sensor_reading " , " reading > = 120 " )
def quarantine_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
C. @dlt.table
@dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
@dlt.table
@dlt.expect_or_drop( " invalid_sensor_reading " , " reading > = 120 " ) def quarantine_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
D. @dlt.table
@dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
@dlt.table
@dlt.expect( " invalid_sensor_reading " , " reading < 120 " )
def quarantine_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )

Question 5

시간 단위 배치 작업이 구성되어 클라우드 객체 스토리지 컨테이너에서 데이터 파일을 수집합니다. 각 배치는 해당 시간 동안 소스 시스템에서 생성된 모든 레코드를 나타냅니다. 이러한 레코드를 레이크하우스에 처리하는 배치 작업은 지연된 데이터가 누락되지 않도록 충분한 시간 간격을 두고 실행됩니다. user_id 필드는 데이터의 고유 키이며, 다음과 같은 스키마를 갖습니다.
user_id는 BIGINT, username은 STRING, user_utc는 STRING, user_region은 STRING, last_login은 BIGINT, auto_pay는 BOOLEAN, last_updated는 BIGINT입니다. 모든 새 레코드는 account_history라는 테이블에 입력되며, 이 테이블은 소스와 동일한 스키마에 모든 데이터의 전체 기록을 유지합니다. 시스템의 다음 테이블은 account_current이며, 각 고유 user_id에 대한 최신 값을 나타내는 Type 1 테이블로 구현됩니다.
수백만 개의 사용자 계정과 시간당 수만 건의 레코드가 처리된다고 가정할 때, 매시간 배치 작업의 일부로 설명된 account_current 테이블을 효율적으로 업데이트하는 데 사용할 수 있는 구현 방법은 무엇입니까?

A. 사용자 ID별로 그룹화하고 마지막 업데이트 값의 최댓값을 기준으로 필터링하여 계정 내역 테이블에 대한 쿼리 결과를 사용하여 각 배치마다 계정 현재 테이블을 덮어씁니다.
B. 자동 로더를 사용하여 계정 기록 디렉터리의 새 파일을 구독하고, 구조화된 스트리밍 트리거를 한 번 실행하여 새로 감지된 파일을 계정 현재 테이블에 일괄 업데이트하도록 구성합니다.
C. 계정 내역에서 마지막 업데이트 필드와 최근 처리 시간, 그리고 사용자 ID별 최대 마지막 로그인 시간을 기준으로 레코드를 필터링하고, 각 사용자 ID에 대해 가장 최근 값을 업데이트하거나 삽입하는 병합 문을 작성합니다.
D. Delta Lake 버전 기록을 사용하여 계정 기록의 최신 버전과 이전 버전 간의 차이점을 가져온 다음 이러한 기록을 계정 현재 상태에 기록합니다.
E. 계정 내역에서 마지막 업데이트 필드와 최근 처리 시간을 기준으로 레코드를 필터링하고, 사용자 이름이 중복되지 않도록 합니다. 각 사용자 이름에 대해 최신 값을 업데이트하거나 삽입하는 병합 문을 작성하세요.

Solutions: