Data Engineer

Při streamování Iceberg fungoval, slyšel jsi? Je to odpadové úložiště souborů.

Middle

МВидео

Jak snížit spotřebu paměti DataFrame v Pandas?

Jaké nástroje sledování byly použity? V Spring Boot 2 a Spring Boot 3?

Jak přidat klouzavý průměr součtu objednávek za aktuální a předchozí dva dny na uživatele?

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( "INSERT INTO raw.transactions (transaction_id, user_id, amount, created_at) VALUES", rows ) def build_aggregate_view(): query = """ INSERT INTO datamarts.daily_revenue_per_country SELECT toDate(r.created_at) as event_date, u.country, sum(r.amount) as total_revenue FROM raw.transactions r LEFT JOIN core.userMetadata u ON r.user_id = u.UserId WHERE toDate(r.created_at) = '{}' GROUP BY event_date, u.country """.format(datetime.now().strftime("%Y-%m-%d")) CLICKHOUSE_CLIENT.execute(query) 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" ) extract = PythonOperator( task_id="extract", python_callable=extract_from_s3, provide_context=True ) load = PythonOperator( task_id="load", python_callable=load_to_raw_table, provide_context=True ) aggregate = PythonOperator( task_id="aggregate", python_callable=build_aggregate_view ) transactions_sensor >> extract >> load >> aggregate

Znáte UDF (uživatelsky definované funkce) v ClickHouse, pracovali jste s nimi?

Na zobrazené obrazovce jsou dvě datové struktury; ve které bude hledání hodnoty 2 rychlejší a proč?

Nastavili jste tagy v S3 na bucketech nebo objektech?

Middle+

Лига Цифровой Экономики

Jak obvykle organizujete svou práci na úkolech a jak sledujete pokrok?

V jakém pořadí se provádějí hlavní operace v SQL: SELECT, FROM atd.?

Middle

Альфа-Банк

Kdo byli spotřebitelé dat a jak byly stavěny vitríny?

Jaký je rozdíl mezi WHERE a HAVING v SQL?

Povězte nám o sobě, kde jste pracovali, čím jste se zabývali, jaké byly zajímavé úkoly a neúspěchy.

Middle

Aston

Povězte o nejlepších postupech při používání indexů - kdy a jak často je používat.

Co se stalo a jak vrátit práci?

Jak obvykle pracujete s Gitem v týmu? A co je Merge Request?

Povězte nám více o zkreslení dat mezi shardami: jak bylo určeno a jaký mechanismus/funkce byl použit?

Pracoval jste někdy s dekorátory v Pythonu? Co jsou a kde se používají?

Middle

Островок

Jaké je nebezpečí shuffle v Spark?

Middle

Островок

Jaké další parametry DDL/CREATE TABLE v ClickHouse znáte, na co ovlivňují a v jakých případech se používají?