Início Certificações Perguntas frequentes Parceiros

Começar grátis

·EN·DE·FR·ES·PT

Snowflake · SF-SP · Intermediate

SnowPro Specialty: Snowpark (SPS-C01) — Questões de prática e simulado

Prepare-se para SF-SP com questões de prática originais e respostas explicadas com clareza. Peça mais detalhes a Alex, seu tutor de IA, use seus resultados para identificar os temas que precisam de revisão e pratique a gestão do tempo com simulados cronometrados.

Praticar para SF-SP gratuitamente Comprar acesso a SF-SP por $29.99

Comprar acesso a SF-SP por $29.99 Praticar para SF-SP gratuitamente

55Questões do simulado

85minLimite de tempo

750/ 1000Pontuação para aprovação

Conferido com informações de Snowflake · agosto de 2026 · Versão atual do exame

Visão geral

Sobre o exame

A SnowPro Specialty: Snowpark Certification (SPS-C01) valida a expertise em usar a API do Snowpark para engenharia de dados e ciência de dados no Snowflake, incluindo transformações com DataFrame, gestão de sessão, stored procedures, funções definidas pelo usuário e o processamento de resultados no cliente contra o processamento no servidor. Ela cobra a capacidade de escrever código Snowpark de nível de produção que executa nativamente no ambiente de compute do Snowflake.

Esta certificação de especialidade é para engenheiros de dados e cientistas de dados com um ano ou mais de prática com Snowpark em ambiente de produção. Proficiência avançada em Python e PySpark ajuda, assim como familiaridade com o modelo de execução do Snowflake no cliente e no servidor.

Experimente as questões de prática

Experimente cinco questões de SF-SP

Pratique com cinco questões do banco atual de SnowPro Specialty: Snowpark (SPS-C01) no app, com respostas e explicações.

Otimização de desempenho do Snowpark1 / 5

Qual é a finalidade do parâmetro de sessão query_tag no Snowpark?

AlexExplicação completa do Alex

O parâmetro de sessão query_tag define uma string arbitrária anexada a cada consulta SQL executada dentro da sessão. Essa tag aparece nas views QUERY_HISTORY e no Snowsight, permitindo que os times identifiquem, agrupem e monitorem consultas por aplicação, módulo ou pipeline. Você a define com session.query_tag = 'my_tag'. Por que as outras estão erradas: query_tag não tem efeito sobre a prioridade de execução nem sobre a ordem de agendamento. Ele não limita a concorrência — isso é controlado pelas configurações do warehouse. Ele também não ativa nem afeta o cache de resultados; esse cache é gerenciado de forma independente pelo query result cache do Snowflake. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.Session.query_tag

Fontedocs.snowflake.com

Snowpark para transformações de dados2 / 5

Em um Pipeline do Snowpark ML que contém um StandardScaler e um XGBClassifier, o que acontece quando pipeline.fit(train_df) é chamado?

AlexExplicação completa do Alex

Quando pipeline.fit(train_df) é chamado, os passos são executados em sequência: o StandardScaler é ajustado nos dados de treino e os transforma, depois o XGBClassifier treina sobre a saída transformada pelo scaler. Cada transformador intermediário precisa implementar fit() e transform(). Por que as outras estão erradas: o pipeline ajusta todos os passos automaticamente — não é preciso uma chamada separada a train(). Os passos não são compilados em uma única consulta SQL; cada passo é executado de forma independente, em sequência. Nenhuma dynamic table é criada; o processamento do pipeline usa transformações de DataFrame, não views materializadas. Ref: docs.snowflake.com/en/developer-guide/snowpark-ml/reference/latest/api/modeling/snowflake.ml.modeling.pipeline.Pipeline

Fontedocs.snowflake.com

API do Snowpark para Python3 / 5

Qual método salva um DataFrame como uma tabela permanente ou temporária do Snowflake?

AlexExplicação completa do Alex

df.write.save_as_table("my_table") salva um DataFrame como tabela permanente ou temporária do Snowflake por meio do DataFrameWriter. Ele aceita os parâmetros mode (append, overwrite, truncate, errorifexists, ignore), table_type (temp, transient, permanent) e clustering_keys. Por que as outras estão erradas: a opção “df.to_table("my_table")” to_table() não é um método válido do DataFrame do Snowpark. persist() não existe nem no DataFrame nem no DataFrameWriter. export() não faz parte da API do Snowpark. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.DataFrameWriter.save_as_table

Fontedocs.snowflake.com

Conceitos do Snowpark4 / 5

Como você cria um DataFrame do Snowpark a partir de uma tabela existente do Snowflake?

AlexExplicação completa do Alex

session.table("table_name") é a API padrão do Snowpark para criar um DataFrame de avaliação preguiçosa que referencia uma tabela existente do Snowflake. Ela retorna um objeto Table (uma subclasse de DataFrame) sem carregar os dados imediatamente. O nome pode ser totalmente qualificado: 'db.schema.table'. session.read.table() não é um método válido do Snowpark — o Snowpark não usa um acessador .read como o PySpark. DataFrame.load() não existe na API do Snowpark. session.query() não é um método; para SQL puro, use session.sql(), mas session.table() é preferível para referências diretas a tabelas. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/latest/snowpark/api/snowflake.snowpark.Session.table

Fontedocs.snowflake.com

Snowpark para transformações de dados5 / 5

Qual função do Snowpark converte uma coluna de string para maiúsculas?

AlexExplicação completa do Alex

A função upper() de snowflake.snowpark.functions converte uma coluna de string para maiúsculas, traduzindo-se para a função SQL UPPER(). Ela dá suporte a Unicode. Uso: functions.upper(col('name')). Por que as outras estão erradas: col('name').upper() não é um método válido de Column — upper é uma função independente, não um método da coluna. A opção “functions.to_upper(col('name'))” to_upper() não existe em snowflake.snowpark.functions; o nome correto é upper(). .str.upper() é um padrão de acessador do pandas, indisponível em objetos Column do Snowpark. Ref: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.functions.upper

Fontedocs.snowflake.com

Criar uma conta grátis

As questões do app estão atualmente em inglês. As traduções desta prévia se aplicam apenas à prévia. Consulte a entidade certificadora para saber quais idiomas estão disponíveis para o exame oficial.

Banco de questões

360 questões de prática

O banco de questões do Pass-IT oferece material para você praticar para SF-SP. Um simulado do Pass-IT tem 55 questões e limite de 85 minutos; essas são as configurações da prática.

Dados do banco de questões: SF-SP

Dados do exame conferidos com Snowflake14 de agosto de 2026

data da última conferência com a fonte oficial de Snowflake

Pontuação para aprovação750 / 1.000

conforme publicado por Snowflake

Objetivos do guia16 objetivos listados no guia oficial

distribuídos por 4 domínios no guia oficial do exame

Tamanho do banco360 questões

= O tamanho do banco equivale a 6 conjuntos de 55 questões. Isso não significa que cada simulado use um conjunto diferente.

Domínios do conteúdo programático4 domínios no conteúdo programático do exame

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

Registradas como conferidas com fontes360 de 360

questões cuja resposta, alternativas e explicação constam como conferidas com a documentação oficial de Snowflake

Como as questões são criadas →

Domínios do exame

Conteúdo do exame

Data Transformations é o domínio de maior peso, com 35%: filtragem de DataFrames, joins, agregações, window functions, tratamento de dados semiestruturados e gravação dos resultados de volta no Snowflake. Em seguida vem a Snowpark API for Python, com 30%, cobrindo criação de sessão, construção de DataFrames e a operacionalização de UDFs, UDTFs e stored procedures. Performance Optimization fica com 20% e cobra warehouses otimizados para Snowpark, caching, vetorização e troubleshooting.

Snowpark Concepts é o domínio mais leve, com 15%, voltado a arquitetura e configuração em vez de código na prática. Transformations e a API somam quase dois terços da prova, então ter fluência nos próprios métodos de DataFrame pesa mais do que conhecer na teoria o modelo de lazy evaluation do Snowpark.

Conteúdo programático: 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 do exame e tipos de questões

São 55 questões em 85 minutos, entre múltipla escolha, múltipla resposta e formatos interativos. A maioria das questões apresenta um objetivo de transformação e pede que você escolha o método do Snowpark que dá conta dele: uma operação de DataFrame, um padrão de UDF ou uma chamada de sessão. Com cerca de 1,5 minuto por questão, ter fluência em filter, select, join, group_by e agg mantém o ritmo confortável.

Tipos de questões: SF-SP

Múltipla escolha70%

Selecione a única resposta que melhor atende aos requisitos da questão.

Resposta múltipla30%

Selecione várias respostas. Siga as instruções da questão sobre quantas escolher.

Consulte Snowflake para obter as informações oficiais sobre os formatos de questões. As proporções exibidas descrevem o banco de prática do Pass-IT e não determinam as proporções do exame oficial.

Planejamento

Preparação para SF-SP

A prova é aplicada com proctoring online ou em um centro de testes presencial, em inglês. A certificação vence dois anos depois da data de emissão; a recertificação acontece pelo programa Snowflake Continuing Education, com um curso elegível ministrado por instrutor ou com uma certificação SnowPro equivalente ou de nível superior.

Preparação e informações práticas: SF-SP

Preparação

Exemplo de tempo de estudo30–75 h

faixa ilustrativa para o planejamento: de 30 h com experiência relevante a 75 h para quem está começando; suas necessidades podem ficar fora dessa faixa

NívelIntermediário

Conhecimentos recomendadosSnowPro Core Certification or SnowPro Associate: Platform Certification.

Realização do exame e manutenção da certificação

ModalidadeSupervisionado online ou centros de testes presenciais.

Política de novas tentativasLimite de 4 tentativas em um período de 12 meses. Após três tentativas, a Snowflake recomenda participar de um curso de treinamento presencial da Snowflake. Cada inscrição exige o pagamento integral da taxa de inscrição.

Validade da certificação2 anos

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

Guia oficialVer no site do fornecedor

Orientações de estudo

Erros comuns

Temas para revisar: SF-SP

01Lazy vs Eager Evaluation
Quem não sabe quais operações do Snowpark são lazy (transformações como filter e select) e quais são eager (ações como collect, show e count) acaba errando as questões sobre ordem de execução.
02Session Object Scope
Entender mal o ciclo de vida da session do Snowpark, ou seja, como ela é criada, como se relaciona com as conexões do Snowflake e quais são suas restrições de thread-safety, leva a erros nas questões de conectividade.
03UDF Types
Confundir UDFs escalares, UDFs vetorizadas (com pandas) e UDTFs (funções de tabela), sem saber quando cada uma faz sentido, derruba você nas questões de design de funções.
04Snowpark vs PySpark
Achar que as APIs do PySpark valem diretamente no Snowpark e não conhecer os métodos específicos do Snowpark (merge, copy_into, write_pandas, por exemplo) gera erros nas questões sobre a API.
05Stored Procedure Execution
Não perceber que as stored procedures do Snowpark rodam dentro do Snowflake (server-side), com um modelo de direitos de caller ou owner, provoca confusão em segurança e contexto de execução.

Praticar com questões e explicações no Pass-IT →

Dúvidas

Perguntas frequentes

Quanto tempo dura o exame SnowPro Specialty: Snowpark (SPS-C01)?

O exame SnowPro Specialty: Snowpark (SPS-C01) tem 55 questões e um limite de tempo de 85 minutos.

Qual é a pontuação necessária para passar em SnowPro Specialty: Snowpark (SPS-C01)?

A pontuação necessária para passar no exame SnowPro Specialty: Snowpark (SPS-C01) é 750 / 1000.

Quais erros merecem atenção na preparação para SnowPro Specialty: Snowpark (SPS-C01)?

Entre os temas que merecem revisão estão Lazy vs Eager Evaluation, Session Object Scope, UDF Types, Snowpark vs PySpark, Stored Procedure Execution. Trabalhe com exemplos para verificar se você entende as diferenças e consegue justificar sua resposta.

O que o exame specialty de Snowpark cobre?

Snowpark para transformações de dados é a maior seção, com 35%, seguida pela Snowpark API for Python com 30% e pela otimização de desempenho com 20%. Os conceitos de Snowpark ficam com os 15% restantes. Dois terços do exame são, portanto, escrever transformações e usar a API Python, e não descrever o que é o Snowpark.

Você precisa do SnowPro Core antes do exame de Snowpark?

Não. Snowpark é um exame specialty e não tem nenhum pré-requisito de certificação, ao contrário da linha advanced. A Snowflake recomenda um ano ou mais de trabalho prático com Snowpark em produção e observa que fluência em Python e PySpark ajuda bastante. O catálogo estima cerca de 50 horas.

Quantas vezes você pode fazer o exame de Snowpark?

Quatro vezes em qualquer período de 12 meses. Depois de três tentativas, a Snowflake recomenda um curso de treinamento presencial em vez de um novo agendamento.

O que combina bem com a certificação Snowpark?

O SnowPro Core é a companhia óbvia, já que é o exame de plataforma exigido por toda certificação advanced e que o Snowpark não pede. O exame Advanced Data Engineer é o passo seguinte se transformações são o seu trabalho inteiro, com 28% em movimentação de dados e 25% em transformação. Native Apps é o outro exame specialty se você empacota o que constrói.

Uma certificação, 12 meses

Prática para SF-SP

Concentre sua prática em uma certificação ou escolha o Pro para praticar para todas as certificações.

Comprar acesso a SF-SP por $29.99

Começar uma sessão de prática gratuitaExperimente as primeiras 20 questões sem cartão para avaliar se a prática atende às suas necessidades.

Para compras elegíveis: garantia de reembolso se você não passar no exame.

Ver condições da garantia →