Snowflake · SF-SP · Intermediate

SnowPro Specialty: Snowpark (SPS-C01) — Übungsfragen und Probeprüfung

Name: Pass-IT
Author: Pass-IT

Bereite dich mit eigens erstellten Übungsfragen und verständlichen Antworterklärungen auf SF-SP vor. Frage Alex, deinen KI-Tutor, wenn du mehr Details brauchst. Deine Ergebnisse zeigen dir, welche Themen du wiederholen solltest, und zeitlich begrenzte Probeprüfungen helfen dir, deine Zeiteinteilung zu üben.

Kostenlos für SF-SP üben Zugang für SF-SP für $29.99 kaufen

Zugang für SF-SP für $29.99 kaufen Kostenlos für SF-SP üben

55Fragen der Probeprüfung

85minZeitlimit

750/ 1000Punktzahl zum Bestehen

Mit Angaben von Snowflake abgeglichen · August 2026 · Aktuelle Prüfungsversion

Überblick

Über die Prüfung

Die SnowPro Specialty: Snowpark Certification (SPS-C01) weist Expertise im Umgang mit der Snowpark-API für Data Engineering und Data Science auf Snowflake nach: DataFrame-Transformationen, Session-Management, Stored Procedures, User-Defined Functions sowie die Verarbeitung von Ergebnissen auf Client- gegenüber Serverseite. Geprüft wird, ob du produktionsreifen Snowpark-Code schreibst, der nativ in der Compute-Umgebung von Snowflake läuft.

Sie richtet sich an Data Engineers und Data Scientists mit mindestens einem Jahr praktischer Snowpark-Erfahrung in der Produktion. Fortgeschrittene Python- und PySpark-Kenntnisse helfen, ebenso Vertrautheit mit dem Client- und Server-Ausführungsmodell von Snowflake.

Übungsfragen ausprobieren

Fünf Fragen zu SF-SP ausprobieren

Übe mit fünf Fragen aus dem aktuellen Fragenpool für SnowPro Specialty: Snowpark (SPS-C01) in der App, jeweils mit Antwort und Erklärung.

Snowpark-Performance-Optimierung1 / 5

Wofür ist der Session-Parameter query_tag in Snowpark da?

AlexGanze Erklärung von Alex

Der Session-Parameter query_tag setzt eine beliebige Zeichenkette, die an jede innerhalb der Session ausgeführte SQL-Abfrage angehängt wird. Dieser Tag taucht in den QUERY_HISTORY-Views und in Snowsight auf, sodass Teams Abfragen nach Anwendung, Modul oder Pipeline identifizieren, gruppieren und überwachen können. Gesetzt wird er über session.query_tag = 'my_tag'. Warum die anderen falsch sind: query_tag hat keinen Einfluss auf die Ausführungspriorität oder die Reihenfolge der Einplanung. Er begrenzt die Nebenläufigkeit nicht — die wird über die Warehouse-Einstellungen gesteuert. Er aktiviert oder beeinflusst auch kein Ergebnis-Caching; das Caching verwaltet Snowflake unabhängig davon über den Query Result Cache. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.Session.query_tag

Quelledocs.snowflake.com

Snowpark für Datentransformationen2 / 5

Was passiert in einer Snowpark-ML-Pipeline, die sowohl einen StandardScaler als auch einen XGBClassifier enthält, wenn pipeline.fit(train_df) aufgerufen wird?

AlexGanze Erklärung von Alex

Beim Aufruf von pipeline.fit(train_df) werden die Schritte nacheinander ausgeführt: Der StandardScaler wird auf den Trainingsdaten gefittet und transformiert sie, danach trainiert der XGBClassifier auf der vom Scaler transformierten Ausgabe. Jeder zwischengeschaltete Transformer muss fit() und transform() implementieren. Warum die anderen falsch sind: Die Pipeline fittet alle Schritte automatisch — ein separater train()-Aufruf ist nicht nötig. Die Schritte werden nicht zu einer einzigen SQL-Abfrage kompiliert; jeder Schritt wird eigenständig in der Reihenfolge ausgeführt. Es wird keine Dynamic Table erzeugt; die Pipeline-Verarbeitung nutzt DataFrame-Transformationen, keine materialisierten Views. Ref: docs.snowflake.com/en/developer-guide/snowpark-ml/reference/latest/api/modeling/snowflake.ml.modeling.pipeline.Pipeline

Quelledocs.snowflake.com

Snowpark-API für Python3 / 5

Welche Methode speichert einen DataFrame als permanente oder temporäre Snowflake-Tabelle?

AlexGanze Erklärung von Alex

df.write.save_as_table("my_table") speichert einen DataFrame über den DataFrameWriter als permanente oder temporäre Snowflake-Tabelle. Unterstützt werden die Parameter mode (append, overwrite, truncate, errorifexists, ignore), table_type (temp, transient, permanent) und clustering_keys. Warum die anderen falsch sind: Die Option „df.to_table("my_table")“ to_table() ist keine gültige Snowpark-DataFrame-Methode. persist() gibt es weder auf dem DataFrame noch auf dem DataFrameWriter. export() ist nicht Teil der Snowpark-API. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.DataFrameWriter.save_as_table

Quelledocs.snowflake.com

Snowpark-Konzepte4 / 5

Wie erstellst du aus einer bestehenden Snowflake-Tabelle einen Snowpark-DataFrame?

AlexGanze Erklärung von Alex

session.table("table_name") ist die Standard-Snowpark-API, um einen lazy ausgewerteten DataFrame zu erzeugen, der auf eine bestehende Snowflake-Tabelle verweist. Sie gibt ein Table-Objekt zurück (eine Unterklasse von DataFrame), ohne die Daten sofort zu laden. Der Name kann vollqualifiziert sein: 'db.schema.table'. session.read.table() ist keine gültige Snowpark-Methode — Snowpark nutzt keinen .read-Accessor wie PySpark. DataFrame.load() existiert in der Snowpark-API nicht. session.query() ist keine Methode; für rohes SQL nimmst du session.sql(), für direkte Tabellenverweise ist aber session.table() vorzuziehen. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/latest/snowpark/api/snowflake.snowpark.Session.table

Quelledocs.snowflake.com

Snowpark für Datentransformationen5 / 5

Welche Snowpark-Funktion wandelt eine String-Spalte in Großbuchstaben um?

AlexGanze Erklärung von Alex

Die Funktion upper() aus snowflake.snowpark.functions wandelt eine String-Spalte in Großbuchstaben um und wird in die SQL-Funktion UPPER() übersetzt. Unicode wird unterstützt. Verwendung: functions.upper(col('name')). Warum die anderen falsch sind: col('name').upper() ist keine gültige Column-Methode — upper ist eine eigenständige Funktion, keine Methode der Spalte. Die Option „functions.to_upper(col('name'))“ to_upper() gibt es in snowflake.snowpark.functions nicht; der korrekte Name ist upper(). .str.upper() ist ein pandas-Accessor-Muster und steht auf Snowpark-Column-Objekten nicht zur Verfügung. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.functions.upper

Quelledocs.snowflake.com

Kostenloses Konto erstellen

Die Fragen in der App sind derzeit auf Englisch. Übersetzungen in dieser Vorschau gelten nur für die Vorschau. Welche Sprachen für die offizielle Prüfung verfügbar sind, erfährst du beim Prüfungsanbieter.

Fragenpool

360 Übungsfragen

Der Pass-IT-Fragenpool bietet dir Aufgaben zur Vorbereitung auf SF-SP. Eine Probeprüfung auf Pass-IT umfasst 55 Fragen bei einem Zeitlimit von 85 Minuten. Diese Einstellungen gelten für die Übung.

Angaben zum Fragenpool: SF-SP

Prüfungsangaben mit Snowflake abgeglichen14. August 2026

Datum des letzten Abgleichs mit der offiziellen Quelle von Snowflake

Punktzahl zum Bestehen750 / 1.000

laut Veröffentlichung von Snowflake

Prüfungsziele im Leitfaden16 im offiziellen Leitfaden aufgeführte Prüfungsziele

verteilt auf 4 Bereiche im offiziellen Prüfungsleitfaden

Größe des Fragenpools360 Fragen

= Der Umfang des Fragenpools entspricht rechnerisch 6 Zusammenstellungen mit je 55 Fragen. Daraus folgt nicht, dass jede Probeprüfung andere Fragen verwendet.

Bereiche im Prüfungsplan4 Bereiche im Prüfungsplan

Snowpark Concepts 55 · Snowpark API for Python 106 · Snowpark for Data Transformations 126 · Snowpark Performance Optimization 73

Als mit Quellen abgeglichen erfasst360 von 360

Fragen, deren Antwort, Antwortoptionen und Erklärung als mit der offiziellen Dokumentation von Snowflake abgeglichen erfasst sind

So entstehen die Fragen →

Prüfungsbereiche

Inhalte der Prüfung

Data Transformations hat mit 35 % das größte Gewicht: Gefragt sind DataFrame-Filterung, Joins, Aggregationen, Window Functions, der Umgang mit semi-strukturierten Daten und das Zurückschreiben von Ergebnissen nach Snowflake. Danach folgt die Snowpark API für Python mit 30 %, dabei geht es um Session-Erstellung, den Aufbau von DataFrames und den produktiven Einsatz von UDFs, UDTFs und Stored Procedures. Performance Optimization liegt bei 20 % und deckt Snowpark-optimized Warehouses, Caching, Vektorisierung und Troubleshooting ab.

Snowpark Concepts ist mit 15 % die leichteste Domain und dreht sich um Architektur und Setup statt um praktisches Coding. Transformations und die API machen zusammen fast zwei Drittel der Prüfung aus. Wichtiger als ein abstraktes Verständnis von Snowparks Lazy-Evaluation-Modell ist deshalb, dass dir die DataFrame-Methoden selbst flüssig von der Hand gehen.

Prüfungsplan: SF-SP

Snowpark Concepts15%

Understand Snowpark architecture, DataFrame API, and session management.

≈ 8 h

Snowpark API for Python30%

Use Snowpark Python API for data manipulation, UDFs, stored procedures, and ML integration.

≈ 15 h

Snowpark for Data Transformations35%

Build data pipelines and transformations using Snowpark DataFrames, joins, aggregations, and window functions.

≈ 18 h

Snowpark Performance Optimization20%

Optimize Snowpark queries, caching, pushdown operations, and warehouse sizing.

≈ 10 h

Format

Prüfungsformat und Fragetypen

Die Prüfung umfasst 55 Fragen in 85 Minuten, als Multiple-Choice, Multiple-Select und in interaktiven Formaten. Die meisten Aufgaben geben dir ein Transformationsziel vor und fragen nach der Snowpark-Methode, die es erreicht: eine DataFrame-Operation, ein UDF-Pattern oder ein Session-Aufruf. Bei rund 1,5 Minuten pro Frage bleibt das Tempo entspannt, solange du filter, select, join, group_by und agg sicher beherrschst.

Fragetypen: SF-SP

Multiple Choice70%

Wähle die einzelne Antwort aus, die die Anforderungen der Frage am besten erfüllt.

Mehrfachauswahl30%

Wähle mehrere Antworten aus. Beachte dabei, wie viele Antworten laut Aufgabenstellung gefragt sind.

Offizielle Informationen zu den Frageformaten findest du bei Snowflake. Die dargestellten Anteile beziehen sich auf den Pass-IT-Fragenpool und geben keine Verteilung für die offizielle Prüfung vor.

Planung

Vorbereitung auf SF-SP

Die Prüfung wird per Online-Proctoring oder in einem Testcenter vor Ort abgenommen, auf Englisch. Die Zertifizierung läuft zwei Jahre nach dem Ausstellungsdatum ab. Rezertifizieren kannst du dich über das Snowflake Continuing Education Program mit einem anerkannten Instructor-led-Training oder mit einer gleichwertigen bzw. höherstufigen SnowPro-Zertifizierung.

Vorbereitung und Organisation: SF-SP

Vorbereitung

Beispielhafter Lernaufwand30–75 h

Beispiel für die Planung: von 30 h mit einschlägiger Erfahrung bis 75 h beim Einstieg; dein Bedarf kann außerhalb dieser Spanne liegen

NiveauMittleres Niveau

Empfohlene VorkenntnisseSnowPro Core Certification or SnowPro Associate: Platform Certification.

Prüfung und Erhalt der Zertifizierung

DurchführungOnline beaufsichtigt oder Prüfungszentren vor Ort.

WiederholungsregelnBegrenzung auf 4 Versuche innerhalb von 12 Monaten. Nach drei Versuchen empfiehlt Snowflake die Teilnahme an einem Präsenz-Schulungskurs von Snowflake. Für jede Anmeldung ist die volle Anmeldegebühr fällig.

Gültigkeit der Zertifizierung2 Jahre

Pass the current version of the SnowPro Specialty: Snowpark exam to recertify every 2 years.

Offizieller LeitfadenAuf der Website des Anbieters ansehen

Lernhinweise

Häufige Fehlerquellen

Themen zum Wiederholen: SF-SP

01Lazy vs Eager Evaluation
Wenn du nicht weißt, welche Snowpark-Operationen lazy sind (Transformationen wie filter oder select) und welche eager (Actions wie collect, show oder count), gehen Fragen zur Ausführungsreihenfolge schief.
02Session Object Scope
Der Lebenszyklus einer Snowpark-Session wird oft falsch verstanden: wie Sessions entstehen, wie sie auf Snowflake-Verbindungen abgebildet werden und welche Einschränkungen bei der Thread-Sicherheit gelten. Genau daran scheitern Fragen zur Konnektivität.
03UDF Types
Skalare UDFs, vektorisierte UDFs (mit pandas) und UDTFs (Tabellenfunktionen) werden gern durcheinandergebracht. Wer nicht weiß, wann welcher Typ passt, verliert Punkte bei Fragen zum Funktionsdesign.
04Snowpark vs PySpark
Viele nehmen an, dass sich PySpark-APIs eins zu eins auf Snowpark übertragen lassen, und übersehen dabei die Snowpark-eigenen Methoden wie merge, copy_into oder write_pandas. Das führt zu Fehlern bei API-Fragen.
05Stored Procedure Execution
Snowpark Stored Procedures laufen innerhalb von Snowflake, also serverseitig, und zwar mit Caller- oder Owner-Rights-Modell. Wer das nicht auf dem Schirm hat, macht Fehler beim Thema Sicherheit und Ausführungskontext.

Mit Fragen und Erklärungen in Pass-IT üben →

Fragen

Häufig gestellte Fragen

Wie lange dauert die Prüfung SnowPro Specialty: Snowpark (SPS-C01)?

Die Prüfung SnowPro Specialty: Snowpark (SPS-C01) umfasst 55 Fragen und hat ein Zeitlimit von 85 Minuten.

Welche Punktzahl brauche ich, um SnowPro Specialty: Snowpark (SPS-C01) zu bestehen?

Die erforderliche Punktzahl zum Bestehen der Prüfung SnowPro Specialty: Snowpark (SPS-C01) beträgt 750 / 1000.

Welche Fehlerquellen sollte ich bei der Vorbereitung auf SnowPro Specialty: Snowpark (SPS-C01) beachten?

Zu den Themen, die du wiederholen solltest, gehören Lazy vs Eager Evaluation, Session Object Scope, UDF Types, Snowpark vs PySpark, Stored Procedure Execution. Prüfe anhand von Beispielen, ob du die Unterschiede verstehst und deine Antwort begründen kannst.

Was deckt die Snowpark-Specialty-Prüfung ab?

Snowpark für Datentransformationen ist mit 35% der größte Bereich, gefolgt von der Snowpark API for Python mit 30% und Performance-Optimierung mit 20%. Die restlichen 15% entfallen auf Snowpark-Konzepte. Zwei Drittel der Prüfung bestehen damit aus dem Schreiben von Transformationen und der Arbeit mit der Python-API statt aus dem Beschreiben, was Snowpark ist.

Brauchst du SnowPro Core vor der Snowpark-Prüfung?

Nein. Snowpark ist eine Specialty-Prüfung und setzt anders als die Advanced-Reihe keine Zertifizierung voraus. Snowflake empfiehlt mindestens ein Jahr praktische Snowpark-Arbeit im Produktivbetrieb und weist darauf hin, dass sichere Kenntnisse in Python und PySpark helfen. Im Katalog sind rund 50 Stunden veranschlagt.

Wie oft darfst du die Snowpark-Prüfung ablegen?

Viermal innerhalb von 12 Monaten. Nach drei Versuchen empfiehlt Snowflake statt einer weiteren Buchung einen Präsenz-Trainingskurs.

Was passt gut zur Snowpark-Zertifizierung?

SnowPro Core ist die naheliegende Ergänzung, denn es ist die Plattformprüfung, die jede Advanced-Zertifizierung voraussetzt – Snowpark dagegen nicht. Die Prüfung Advanced Data Engineer ist der nächste Schritt, wenn Transformationen dein ganzer Job sind, mit 28% auf Datenbewegung und 25% auf Transformation. Native Apps ist die andere Specialty-Prüfung, wenn du verpackst, was du baust.

Eine Zertifizierung, 12 Monate

Für SF-SP üben

Übe gezielt für eine Zertifizierung oder wähle Pro, um für alle Zertifizierungen zu üben.

Zugang für SF-SP für $29.99 kaufen

Kostenlos mit dem Üben beginnenProbiere die ersten 20 Fragen ohne Kreditkarte aus und finde heraus, ob die Übungen zu dir passen.

Für berechtigte Käufe: Geld-zurück-Garantie bei Nichtbestehen.

Garantiebedingungen ansehen →