Databricks Data Analyst Associate — Preguntas de práctica y simulacro de examen

El partition pruning omite directorios de partición completos en el almacenamiento en la nube cuando la cláusula WHERE filtra por la columna de partición. Por ejemplo, en una tabla particionada por date, WHERE date = '2024-01-01' lee solo los archivos de esa partición. Las mejores columnas de partición tienen baja cardinalidad y patrones de consulta claros (fecha, región). Delta Lake gestiona los metadatos de partición automáticamente: no hace falta MSCK REPAIR. Para columnas que no son de partición, Delta usa data skipping (estadísticas min/max por archivo) y dynamic file pruning. Análisis de distractores: La opción “El partition pruning indexa las estadísticas de columna dentro de cada…” describe data skipping / predicate pushdown, no partition pruning. La opción “El partition pruning redistribuye el procesamiento de la consulta…” describe localidad de datos, no partition pruning. La opción “El partition pruning reescribe el plan de ejecución de la consulta…” describe optimización del plan de consulta, no eliminación de particiones. Ref: docs.databricks.com/en/tables/partitions.html; docs.databricks.com/en/delta/best-practices.html

La configuración de un Genie Space sigue un flujo estructurado: (1) Seleccionar entre 3-30 tablas/vistas de Unity Catalog bien curadas. (2) Escribir instrucciones claras que definan las métricas y las reglas del negocio (por ejemplo, 'Los ingresos excluyen los pedidos cancelados'). (3) Agregar descripciones de tablas y columnas para dar contexto semántico. (4) Probar con preguntas de ejemplo y marcar el SQL verificado como trusted asset. El knowledge store —instrucciones, descripciones y consultas de ejemplo— ayuda a que Genie genere SQL preciso. Análisis de distractores: La opción “Importar las definiciones de los dashboards de BI existentes…” es incorrecta: los espacios de Genie no se configuran importando dashboards de BI. La opción “Crear una tabla Delta curada en la capa Gold…” es incorrecta: aunque las tablas de la capa Gold ayudan, el paso clave son las instrucciones y las descripciones. La opción “Conectar la base de datos de ventas con un service principal de Unity Catalog…” es incorrecta: no hace falta ninguna configuración YAML. Ref: docs.databricks.com/en/genie/set-up.html; docs.databricks.com/en/genie/best-practices.html

Cómo elegir la función correcta: RANK: estilo competencia (como en un ranking deportivo). 'Dos personas empatan en el puesto 2, no hay un puesto 3.' Úsala para: leaderboards, resultados de competencias. DENSE_RANK: ranking secuencial con posiciones compartidas. 'Dos personas empatan en el puesto 2, la siguiente persona queda en el puesto 3.' Úsala para: filtros top-N donde los huecos causan problemas (WHERE rnk <= 3 con RANK puede devolver 2 filas si hay empates en el rango 2, pero DENSE_RANK garantiza al menos 3 rangos). ROW_NUMBER: números únicos garantizados. Úsala para: deduplicación (quedarte con la primera fila de cada grupo), paginación (alternativa a OFFSET/FETCH), IDs únicos de fila.