EnglishDeutschFrançaisEspañolPortuguês

Snowflake · SF-SP · Intermediário

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

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.

Pratique grátisVer uma questão primeiro
Ver uma questão primeiroPratique grátis
Praticar para SF-SP gratuitamenteComprar acesso a SF-SP por US$ 29,99
55Perguntas por simulado do Pass-IT
85minTempo limite do simulado do Pass-IT

Exame oficial SF-SP: 750 de 1000 pontos para passar.

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

Experimentar o Pass-IT

Veja como é aprender com o Pass-IT.

Responda a uma pergunta de exemplo de SF-SP e leia a explicação com a fonte. Aqui mesmo, sem cadastro.

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

Conceitos do Snowpark3 / 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 dados4 / 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

Snowpark API para Python5 / 5

Qual import fornece o type hint PandasSeries para UDFs vetorizadas?

AlexExplicação completa do Alex

PandasSeries é definido em snowflake.snowpark.types, junto com outras definições de tipo do Snowpark, como StringType, IntegerType, FloatType etc. Import: from snowflake.snowpark.types import PandasSeries. Por que as outras estão erradas: pandas.Series, da biblioteca pandas, é uma classe diferente — PandasSeries é um type hint específico do Snowpark para as assinaturas de UDFs vetorizadas. snowflake.snowpark.functions contém wrappers de funções SQL (upper, sum, col), não definições de tipo. snowflake.snowpark.udf contém utilitários para registrar UDFs, não classes de type hint. Ref.: docs.snowflake.com/en/developer-guide/snowpark/reference/python/api/snowflake.snowpark.types

Fontedocs.snowflake.com

* 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.

Como se preparar para SF-SP com o Pass-IT.

Atualmente, são 360 perguntas de prática para SF-SP, e adicionamos novas regularmente. Concentre-se no que ainda precisa aprender.

Avance nas perguntas difíceis.

Entenda por que uma resposta está correta. Alex explica os conceitos e responde às suas dúvidas para que você aplique o que aprendeu no próximo exercício.

Conheça o Alex →

Prévia da conversa · SF-SP

Tags de consultas

  1. Você

    Como identifico consultas do meu aplicativo Snowpark no monitoramento?

  2. Alex · Tutor de IA

    Defina query_tag para a sessão.

    Consultar a documentação da Snowflake ↗
  3. Você

    A tag muda o resultado?

  4. Alex · Tutor de IA

    Sua finalidade aqui é identificar e monitorar as consultas marcadas.

    Consultar a documentação da Snowflake ↗

Use bem seu tempo de estudo.

Pratique no seu nível.
Nas novas sessões de prática, o Pass-IT ajusta a dificuldade com base nas suas respostas anteriores.

Aprenda com os erros.
Respostas incorretas viram cartões de estudo automaticamente. Ao revisar, você avalia com quanta segurança se lembra da resposta; o Pass-IT agenda a próxima revisão.

Veja como funciona a prática focada →

Demonstração animada do recurso

Transforme seus erros em conhecimento que você lembra com segurança.

Como o Pass-IT funciona

Sua revisão

Errou uma pergunta?

O Pass-IT a salva para sua revisão.

SF-SP · Trecho de uma pergunta

Tags de consultas

Ver a pergunta completa

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

Entenda a resposta correta.

Ele adiciona uma string de tag às consultas para fins de identificação e monitoramento

query_tag adiciona uma tag de identificação às consultas para monitoramento.

Consultar a documentação da Snowflake ↗

Com quanta segurança você se lembra?

Ao revisar, você avalia o quanto ainda se lembra da resposta.

Correta após hesitar

O Pass-IT agenda sua próxima revisão.

A data depende da sua avaliação e das revisões anteriores.

Demonstração simplificada. Nenhum progresso de aprendizagem é salvo.

Treine para o momento que importa.

Faça um simulado completo com tempo limite e descubra se consegue terminar a tempo.

Seu simulado de SF-SP

Perguntas
55
Minutos
85

Ilustração de uma sessão de prova

  1. Início
  2. Responder às perguntas
  3. Fim

Quantidade de perguntas e tempo limite do simulado do Pass-IT.

Faça a prova com mais confiança.

Seu Readiness Score ajuda você a avaliar se está pronto para a prova. Os resultados por área mostram onde vale continuar praticando.

Seu dinheiro de volta se não passar mesmo com 80% de Readiness.
Se seu Readiness Score for de pelo menos 80% no momento da prova e você ainda assim não passar, devolvemos o valor pago pelo Pass-IT para esta certificação.

Para acessos pagos e ativos. Envie o comprovante de reprovação em até 14 dias.

Outras condições da garantia

No momento da prova, você precisa de pelo menos 80% de Readiness e de um acesso pago e ativo à certificação. Faça a prova durante seu período de acesso e envie o comprovante oficial de reprovação em até 14 dias após a prova.

Nas compras feitas pela Apple ou pelo Google, o reembolso é processado pela respectiva loja. Consulte as condições completas para os demais detalhes.

Ver as condições da garantia →

O Readiness Score descreve seu progresso na prática, não uma probabilidade de aprovação.

Requisito da garantia

80%

Pelo menos 80% de Readiness
no momento da prova

Dinheiro de volta se não passar

Quantidade de perguntas e configurações dos simulados do catálogo atual do Pass-IT.

As áreas da prova

O que você pratica para SF-SP.

Conteúdo da prova, exercícios relacionados e fontes que você pode consultar.

Entender e configurar SnowparkConsulte o peso de cada área no guia55 PerguntasPerguntas do Pass-IT

Relacione o modelo de execução do Snowpark ao seu ambiente de desenvolvimento.

  • Explique avaliação preguiçosa e execução no cliente ou servidor com DataFrames, UDFs, UDTFs, procedimentos e operações de arquivos; diferencie bibliotecas DataFrame, ML e fontes de pacotes.
  • Instale um ambiente compatível de Python e Snowpark e trabalhe em Snowflake Notebooks, Jupyter, VS Code ou outras ferramentas de desenvolvimento.
Objetivos oficiais da Snowflake
Usar a API Python do SnowparkConsulte o peso de cada área no guia106 PerguntasPerguntas do Pass-IT

Crie sessões e código reutilizável para operar sobre dados do Snowflake.

  • Crie sessões autenticadas com identificadores de conta, parâmetros de conexão e SessionBuilder; use métodos, atributos e jobs assíncronos.
  • Leia arquivos não estruturados com SnowflakeFile e processe-os por UDFs, UDTFs ou procedimentos armazenados.
  • Crie DataFrames a partir de tabelas, views, objetos Python, SQL, arquivos ou pandas e aplique esquemas e tipos adequados.
  • Escreva e registre UDFs e UDTFs a partir de código ou arquivos com módulos e declarações de tipos; compare execução escalar e vetorizada e conceda acesso seguro.
  • Construa e registre procedimentos com dependências empacotadas e tipos explícitos, escolha direitos do chamador ou proprietário e execute fluxos reutilizáveis ou grafos de tarefas pela API Python.
Objetivos oficiais da Snowflake
Transformar dados com DataFramesConsulte o peso de cada área no guia126 PerguntasPerguntas do Pass-IT

Construa transformações e decida como usar seus resultados.

  • Filtre, ordene, limite e converta valores com colunas, funções escalares e operadores e extraia valores de objetos Row.
  • Limpe e enriqueça com joins, tratamento de valores ausentes e amostragem e aplique agregações, janelas, agrupamentos, operações de conjuntos e funções de tabela ou personalizadas.
  • Carregue e percorra dados semiestruturados, converta valores aninhados e achate arrays de objetos em linhas.
  • Salve resultados de DataFrames como views, tabelas do Snowflake ou arquivos em stages.
  • Insira, atualize, exclua e mescle dados de tabelas por DataFrames do Snowpark.
Objetivos oficiais da Snowflake
Otimizar e diagnosticar SnowparkConsulte o peso de cada área no guia73 PerguntasPerguntas do Pass-IT

Melhore a execução sem perder de vista o custo dos warehouses.

  • Escolha warehouses otimizados para Snowpark, configure suas propriedades e escale-os conforme a carga e os efeitos na cobrança.
  • Armazene DataFrames em cache ou materialize-os, compare UDFs escalares e vetorizadas ou pandas no Snowflake e escolha chamadas síncronas ou assíncronas.
  • Investigue erros e gargalos com tabelas de eventos, histórico de consultas e SQL equivalente; teste código com o framework local do Snowpark e pytest.
Objetivos oficiais da Snowflake
Formatos de perguntas que você pode praticar
Múltipla escolha
Selecione uma resposta.
Resposta múltipla
Selecione várias respostas adequadas.

Estes são os formatos de prática do Pass-IT. Consulte a página de certificação da Snowflake para conhecer o exame oficial.

Perguntas frequentes

Sua preparação

Quanto tempo de estudo devo reservar para SF-SP?

Para ajudar no planejamento, o Pass-IT estima cerca de 30–75 horas. Com experiência relevante, você tende a precisar de menos tempo; começando do zero, de mais. Sua necessidade pode ficar fora dessa faixa. Isso não é uma exigência de tempo da Snowflake nem uma promessa de estar pronto para a prova nesse prazo.

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.

Usar o Pass-IT

Em que idioma estão as perguntas do Pass-IT?

As perguntas do aplicativo estão atualmente em inglês. As traduções das perguntas de exemplo desta página valem apenas para esta prévia. Consulte Snowflake para saber quais idiomas estão disponíveis para a prova oficial.

Quanto tempo dura meu acesso a SF-SP?

O acesso a esta certificação dura 12 meses. Você paga uma vez, sem renovação automática.

Quando a garantia de devolução do dinheiro se aplica?

A garantia devolve o valor pago pelo Pass-IT para esta certificação. Você precisa de um acesso pago elegível e de um Readiness Score de pelo menos 80%, calculado a partir dos seus resultados de prática, no momento da prova. Esse valor só pode atingir 80% após pelo menos 50 perguntas respondidas e não é uma probabilidade de aprovação validada. Faça a prova durante seu período de acesso e envie o comprovante oficial de reprovação em até 14 dias. Condições da garantia

Sobre a prova SF-SP

Onde posso fazer a prova SF-SP?

Supervisionado online ou centros de testes presenciais.

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.

Quantas vezes você pode fazer o exame de Snowpark?

Você pode fazer no máximo quatro tentativas do mesmo exame em qualquer período de 12 meses. Deve esperar sete dias entre todas as tentativas, inclusive antes de refazer o exame pela primeira vez. A Snowflake encerra o exame a partir de 1º de novembro de 2026. Você deve concluir todas as tentativas, inclusive ao refazer o exame, até essa data. Se for reprovado perto desse prazo, talvez não tenha tempo para tentar novamente.

Sua preparação para SF-SP

$29.99pagamento único

12 meses de acesso a SF-SP · Sem renovação automática

Comprar acesso a SF-SP

As perguntas do aplicativo estão atualmente em inglês.

Experimentar 20 perguntas grátisÉ preciso ter uma conta gratuita. Sem cartão.

Já tem uma conta? Entre

Prefere uma assinatura? Ver assinaturas →

Dinheiro de volta se não passar com pelo menos 80% de Readiness, para compras elegíveis conforme as condições da garantia.

Condições da garantia

A garantia devolve o valor pago pelo Pass-IT para esta certificação. Você precisa de um acesso pago elegível e de um Readiness Score de pelo menos 80%, calculado a partir dos seus resultados de prática, no momento da prova. Esse valor só pode atingir 80% após pelo menos 50 perguntas respondidas e não é uma probabilidade de aprovação validada. Faça a prova durante seu período de acesso e envie o comprovante oficial de reprovação em até 14 dias.

Condições completas da garantia →

Certificações relacionadas

SnowPro Advanced: Administrator (ADA-C02)SnowPro Advanced: Architect (ARA-C01)SnowPro Advanced: Data Analyst (DAA-C01)SnowPro Advanced: Data Engineer (DEA-C02)Todas as certificações Snowflake →