Data Engineer

Как поступать при перекосе (skew) по user_id при JOIN таблиц транзакций и пользователей? Как выбрать оптимальный ключ распределения?

Какая алгоритмическая сложность получения элемента по ключу из словаря (dict) в Python?

Middle

МТС

Детализируйте алгоритм захвата инкремента с источника так, чтобы ничего не терялось при изменении частоты загрузки.

Как избежать/устранить перекос данных в Spark?

Есть ли ещё механизмы управления shuffle кроме coalesce/repartition?

Как работать с партициями через coalesce и repartition?

Знакомы ли с CTE (common table expressions)? Приведите пример использования.

NULL плюс 5 — сколько будет?

Как связаны сортировка внутри оконной функции и итоговая сортировка ORDER BY в запросе?

from interview.utils import get_clickhouse_client from airflow import DAG from airflow.operators.python import PythonOperator from airflow.sensors.external_task import ExternalTaskSensor from datetime import datetime import pandas as pd import clickhouse_driver import os CLICKHOUSE_CLIENT = get_clickhouse_client() default_args = { "start_date": datetime(2024, 1, 1) } with DAG( dag_id="datamarts.daily_revenue_per_country", default_args=default_args, schedule_interval="@daily", catchup=False ) as dag: transactions_sensor = S3KeySensor( task_id="transactions_sensor", bucket_key="data/transactions_{}.csv".format(datetime.now().strftime("%Y-%m-%d")), bucket_name="my-bucket", aws_conn_id="aws_default", timeout=600, poke_interval=30, mode="poke" ) def extract_from_s3(**kwargs): df = pd.read_csv("s3://my-bucket/data/transactions_{}.csv".format(datetime.now().strftime("%Y-%m-%d"))) kwargs["ti"].xcom_push(key="df", value=df.to_dict()) def load_to_raw_table(**kwargs): df = pd.DataFrame(kwargs["ti"].xcom_pull(task_ids="extract", key="df")) rows = [tuple(r) for r in df[["transaction_id", "user_id", "amount", "created_at"]].to_numpy()] CLICKHOUSE_CLIENT.execute( ... )

Чем отличается RANK от DENSE_RANK?

Middle

Aston

Применялся ли метод сравнения хэшей записей для вычисления дельты между источником и целевой таблицей?

[имя] рассказал о своем опыте работы с различными СУБД, насколько глубоко приходилось разбираться в оптимизации и внутренностях.

Что такое журнал транзакций (WAL) в СУБД и зачем он нужен?

Что такое ленивые операции в Spark и для чего они нужны?

Middle

Aston

Расскажите про задачу с настройкой репликации, которую вы решали.

Какой у тебя есть опыт работы с SQL и реляционными БД?

Расскажи про реляционные базы данных в целом — что это такое?

Как ты понимаешь концепцию ключей в таблицах — для чего это нужно?

Работал ли ты с оконными функциями? Какие виды оконных функций ты знаешь?

Middle

Aston