Inicio Certificaciones Preguntas frecuentes Socios

·EN·DE·FR·ES·PT

Snowflake · SF-SP · Intermediate

SnowPro Specialty: Snowpark (SPS-C01) — Preguntas de práctica y simulacro de examen

Prepara SF-SP con preguntas de práctica originales y respuestas explicadas con claridad. Pide más detalles a Alex, tu tutor de IA, usa tus resultados para identificar los temas que necesitas repasar y practica cómo distribuir tu tiempo con simulacros de examen cronometrados.

Practicar gratis para SF-SP Comprar acceso a SF-SP por $29.99

Comprar acceso a SF-SP por $29.99 Practicar gratis para SF-SP

55Preguntas del simulacro

85minTiempo límite

750/ 1000Puntuación para aprobar

Contrastado con Snowflake · agosto de 2026 · Versión actual del examen

Descripción general

Acerca del examen

La certificación SnowPro Specialty: Snowpark (SPS-C01) acredita tu dominio de la API de Snowpark para ingeniería de datos y ciencia de datos en Snowflake: transformaciones con DataFrames, gestión de sesiones, procedimientos almacenados, funciones definidas por el usuario y el procesamiento de resultados en el cliente frente al servidor. Mide si sabes escribir código Snowpark de calidad productiva que se ejecute de forma nativa dentro del entorno de cómputo de Snowflake.

Esta certificación de especialidad va dirigida a ingenieros de datos y científicos de datos con uno o más años de experiencia práctica con Snowpark en producción. Ayuda tener un nivel avanzado de Python y PySpark, además de conocer el modelo de ejecución de Snowflake en cliente y en servidor.

Prueba las preguntas de práctica

Prueba cinco preguntas de SF-SP

Practica con cinco preguntas del banco actual de SnowPro Specialty: Snowpark (SPS-C01) de la app, con sus respuestas y explicaciones.

Optimización del rendimiento de Snowpark1 / 5

¿Cuál es el propósito del parámetro de sesión query_tag en Snowpark?

AlexExplicación completa de Alex

El parámetro de sesión query_tag define una cadena arbitraria que se adjunta a cada consulta SQL ejecutada dentro de la sesión. Esa etiqueta aparece en las vistas QUERY_HISTORY y en Snowsight, lo que permite a los equipos identificar, agrupar y monitorear consultas por aplicación, módulo o pipeline. Se define con session.query_tag = 'my_tag'. Por qué las demás son incorrectas: query_tag no influye en la prioridad de ejecución ni en el orden de planificación. No limita la concurrencia — eso se controla con la configuración del warehouse. Tampoco habilita ni afecta el caché de resultados; ese caché lo administra Snowflake de forma independiente a través del query result cache. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.Session.query_tag

Fuentedocs.snowflake.com

Snowpark para transformaciones de datos2 / 5

En un Pipeline de Snowpark ML que contiene un StandardScaler y un XGBClassifier, ¿qué ocurre cuando se llama a pipeline.fit(train_df)?

AlexExplicación completa de Alex

Cuando llamas a pipeline.fit(train_df), los pasos se ejecutan de forma secuencial: el StandardScaler se ajusta con los datos de entrenamiento y los transforma, y después el XGBClassifier se entrena con la salida transformada del scaler. Cada transformador intermedio debe implementar fit() y transform(). Por qué las demás son incorrectas: el pipeline ajusta todos los pasos automáticamente — no hace falta una llamada aparte a train(). Los pasos no se compilan en una sola consulta SQL; cada paso se ejecuta de manera independiente y en orden. No se crea ninguna dynamic table; el procesamiento del pipeline usa transformaciones de DataFrame, no vistas materializadas. Ref: docs.snowflake.com/en/developer-guide/snowpark-ml/reference/latest/api/modeling/snowflake.ml.modeling.pipeline.Pipeline

Fuentedocs.snowflake.com

API de Snowpark para Python3 / 5

¿Qué método guarda un DataFrame como tabla permanente o temporal de Snowflake?

AlexExplicación completa de Alex

df.write.save_as_table("my_table") guarda un DataFrame como tabla permanente o temporal de Snowflake mediante el DataFrameWriter. Admite los parámetros mode (append, overwrite, truncate, errorifexists, ignore), table_type (temp, transient, permanent) y clustering_keys. Por qué las demás son incorrectas: la opción “df.to_table("my_table")” to_table() no es un método válido del DataFrame de Snowpark. persist() no existe ni en DataFrame ni en DataFrameWriter. export() no forma parte de la API de Snowpark. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.DataFrameWriter.save_as_table

Fuentedocs.snowflake.com

Conceptos de Snowpark4 / 5

¿Cómo creas un DataFrame de Snowpark a partir de una tabla existente de Snowflake?

AlexExplicación completa de Alex

session.table("table_name") es la API estándar de Snowpark para crear un DataFrame de evaluación diferida que hace referencia a una tabla existente de Snowflake. Devuelve un objeto Table (una subclase de DataFrame) sin cargar los datos de inmediato. El nombre puede estar completamente calificado: 'db.schema.table'. session.read.table() no es un método válido de Snowpark: Snowpark no usa un accesor .read como PySpark. DataFrame.load() no existe en la API de Snowpark. session.query() no es un método; para SQL en crudo usa session.sql(), aunque session.table() es preferible para referencias directas a tablas. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/latest/snowpark/api/snowflake.snowpark.Session.table

Fuentedocs.snowflake.com

Snowpark para transformaciones de datos5 / 5

¿Qué función de Snowpark convierte una columna de texto a mayúsculas?

AlexExplicación completa de Alex

La función upper() de snowflake.snowpark.functions convierte una columna de texto a mayúsculas y se traduce a la función SQL UPPER(). Admite Unicode. Uso: functions.upper(col('name')). Por qué las demás son incorrectas: col('name').upper() no es un método válido de Column — upper es una función independiente, no un método de la columna. La opción “functions.to_upper(col('name'))” to_upper() no existe en snowflake.snowpark.functions; el nombre correcto es upper(). .str.upper() es un patrón de accesor de pandas, que no está disponible en los objetos Column de Snowpark. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.functions.upper

Fuentedocs.snowflake.com

Crear una cuenta gratis

Las preguntas de la app están actualmente en inglés. Las traducciones de esta vista previa solo se aplican a la vista previa. Consulta con el proveedor de la certificación los idiomas disponibles para el examen oficial.

Banco de preguntas

360 preguntas de práctica

El banco de preguntas de Pass-IT te ofrece material para practicar para SF-SP. Un simulacro de Pass-IT incluye 55 preguntas y un tiempo límite de 85 minutos; estos son los ajustes de la práctica.

Datos del banco de preguntas: SF-SP

Datos del examen contrastados con Snowflake14 de agosto de 2026

fecha de la última comprobación con la fuente oficial de Snowflake

Puntuación para aprobar750 / 1000

según lo publicado por Snowflake

Objetivos de la guía16 objetivos enumerados en la guía oficial

distribuidos entre 4 dominios en la guía oficial del examen

Tamaño del banco360 preguntas

= El tamaño del banco equivale a 6 conjuntos de 55 preguntas. Esto no significa que cada simulacro utilice un conjunto distinto.

Dominios del temario4 dominios en el temario del examen

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

Registradas como contrastadas con fuentes360 de 360

preguntas cuya respuesta, opciones y explicación constan como contrastadas con la documentación oficial de Snowflake

Cómo se crean las preguntas →

Dominios del examen

Contenido del examen

Las Data Transformations pesan más que cualquier otro dominio, con 35%: filtrado de DataFrames, joins, agregaciones, window functions, manejo de datos semiestructurados y la escritura de resultados de vuelta a Snowflake. Le sigue la Snowpark API para Python con 30%, que abarca la creación de sesiones, la construcción de DataFrames y la puesta en producción de UDFs, UDTFs y stored procedures. Performance Optimization queda en 20% y evalúa warehouses optimizados para Snowpark, caching, vectorización y resolución de problemas.

Snowpark Concepts es el dominio más liviano, con 15%, y se centra en arquitectura y setup más que en código práctico. Entre las transformaciones y la API suman casi dos tercios del examen, así que manejar con soltura los métodos de DataFrame te sirve más que conocer en abstracto el modelo de lazy evaluation que hay debajo de Snowpark.

Temario del examen: 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

Formato

Formato del examen y tipos de preguntas

El examen tiene 55 preguntas en 85 minutos, entre opción múltiple, selección múltiple y formatos interactivos. La mayoría te plantea un objetivo de transformación y te pide elegir el método de Snowpark que lo logra: una operación de DataFrame, un patrón de UDF o una llamada de sesión. Con alrededor de 1.5 minutos por pregunta, dominar filter, select, join, group_by y agg te deja avanzar sin apuros.

Tipos de preguntas: SF-SP

Opción múltiple70%

Selecciona la única respuesta que mejor cumpla los requisitos de la pregunta.

Respuesta múltiple30%

Selecciona varias respuestas. Sigue las instrucciones de la pregunta sobre cuántas debes elegir.

Consulta a Snowflake para conocer la información oficial sobre los formatos de preguntas. Las proporciones mostradas describen el banco de práctica de Pass-IT y no determinan las del examen oficial.

Planificación

Preparación para SF-SP

Se rinde con supervisión en línea o en un centro de evaluación presencial, en inglés. La certificación vence dos años después de la fecha de emisión; para recertificarte usas el programa de Educación Continua de Snowflake, ya sea con un curso elegible dictado por un instructor o con una certificación SnowPro equivalente o de nivel superior.

Preparación y aspectos prácticos: SF-SP

Preparación

Ejemplo de tiempo de estudio30–75 h

rango orientativo para planificar: de 30 h con experiencia relevante a 75 h si empiezas desde cero; tus necesidades pueden quedar fuera de este rango

NivelIntermedio

Conocimientos recomendadosSnowPro Core Certification or SnowPro Associate: Platform Certification.

Obtención y mantenimiento de la certificación

ModalidadSupervisado en línea o centros de examen presenciales.

Política de repeticiónLímite de 4 intentos en un período de 12 meses. Tras tres intentos, Snowflake recomienda asistir a un curso de formación presencial de Snowflake. Cada inscripción requiere el pago íntegro de la tarifa de inscripción.

Validez de la certificación2 años

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

Guía oficialVer en el sitio del proveedor

Orientaciones de estudio

Errores frecuentes

Temas para repasar: SF-SP

01Lazy vs Eager Evaluation
Si no tienes claro qué operaciones de Snowpark son lazy (transformaciones como filter o select) y cuáles son eager (acciones como collect, show o count), te vas a equivocar en las preguntas sobre el orden de ejecución.
02Session Object Scope
Entender mal el ciclo de vida de la sesión de Snowpark, cómo se crean las sesiones, cómo se relacionan con las conexiones a Snowflake y qué limitaciones tienen en cuanto a thread-safety, te lleva a fallar las preguntas de conectividad.
03UDF Types
Confundir las UDFs escalares, las UDFs vectorizadas (con pandas) y las UDTFs (funciones de tabla), y no saber cuándo conviene cada una, hace que falles las preguntas sobre diseño de funciones.
04Snowpark vs PySpark
Dar por hecho que las APIs de PySpark se traducen tal cual a Snowpark y pasar por alto los métodos propios de Snowpark (por ejemplo merge, copy_into o write_pandas) te hace fallar las preguntas de conocimiento de la API.
05Stored Procedure Execution
No tener claro que los stored procedures de Snowpark se ejecutan dentro de Snowflake (del lado del servidor) con un modelo de permisos de caller o owner rights te lleva a cometer errores de seguridad y de contexto de ejecución.

Practicar con preguntas y explicaciones en Pass-IT →

Preguntas

Preguntas frecuentes

¿Cuánto dura el examen SnowPro Specialty: Snowpark (SPS-C01)?

El examen SnowPro Specialty: Snowpark (SPS-C01) tiene 55 preguntas y un tiempo límite de 85 minutos.

¿Qué puntuación necesito para aprobar SnowPro Specialty: Snowpark (SPS-C01)?

La puntuación necesaria para aprobar el examen SnowPro Specialty: Snowpark (SPS-C01) es 750 / 1000.

¿Qué errores conviene revisar al preparar SnowPro Specialty: Snowpark (SPS-C01)?

Entre los temas que conviene repasar están Lazy vs Eager Evaluation, Session Object Scope, UDF Types, Snowpark vs PySpark, Stored Procedure Execution. Trabaja con ejemplos para comprobar que entiendes las diferencias y puedes justificar tu respuesta.

¿Qué cubre el examen specialty de Snowpark?

Snowpark para transformaciones de datos es la sección más grande con un 35%, seguida de la Snowpark API for Python con un 30% y la optimización del rendimiento con un 20%. Los conceptos de Snowpark se llevan el 15% restante. Dos tercios del examen consisten entonces en escribir transformaciones y usar la API de Python, no en describir qué es Snowpark.

¿Necesitas SnowPro Core antes del examen de Snowpark?

No. Snowpark es un examen specialty y no exige ninguna certificación previa, a diferencia de la línea advanced. Snowflake recomienda un año o más de trabajo práctico con Snowpark en producción y señala que dominar bien Python y PySpark ayuda. El catálogo calcula unas 50 horas.

¿Cuántas veces puedes presentar el examen de Snowpark?

Cuatro veces en cualquier período de 12 meses. Después de tres intentos, Snowflake recomienda un curso de formación presencial en lugar de otra reserva.

¿Qué combina bien con la certificación de Snowpark?

SnowPro Core es el acompañante obvio, porque es el examen de plataforma que exige toda certificación advanced y que Snowpark no pide. El examen Advanced Data Engineer es el siguiente escalón si las transformaciones son todo tu trabajo, con un 28% en movimiento de datos y un 25% en transformación. Native Apps es el otro examen specialty si empaquetas lo que construyes.

Una certificación, 12 meses

Práctica para SF-SP

Centra tu práctica en una certificación o elige Pro para practicar todas las certificaciones.

Comprar acceso a SF-SP por $29.99

Empezar una sesión de práctica gratuitaPrueba las primeras 20 preguntas sin tarjeta para ver si la práctica te resulta útil.

Para compras elegibles: garantía de devolución del dinero si no apruebas tu examen.

Ver condiciones de la garantía →