Data Engineer

Unde se pot vizualiza jurnalele sarcinilor în Airflow?

Cum funcționează ClickHouse și în ce se deosebește de PostgreSQL?

Cum gestionează Pandas datele lipsă?

Threading, multiprocessing, asyncio: care este diferența și când este mai bine să folosești ce?

Unde apare paralelismul în Airflow?

Cum să analizezi fișiere XML mari în ZIP și să le încarci în ClickHouse folosind Python?

Cum influențează ORDER BY tabelul ClickHouse și ce chei este mai bine să alegi?

De ce Pandas este mai bun decât listele și dicționarele normale în Python?

Ce tipuri de indexuri există în PostgreSQL?

Care este diferența dintre generatori și liste în Python?

Cum să actualizați un tabel în ClickHouse astfel încât utilizatorii să nu observe nimic (înlocuire atomică)?

Ce este GIL (Global Interpreter Lock)?

Din ce sunt de obicei compuse jurnalele de sarcini Airflow?

Cum să nu ucizi Jupyter sau Pandas din cauza memoriei?

Pentru ce sunt folosite funcțiile de fereastră?

Cum creezi mai multe sarcini identice în paralel în Airflow (de exemplu, încărcarea multor fișiere identice)?

Cum funcționează JOIN în ClickHouse?

Care este diferența dintre WHERE și HAVING?

Cum funcționează compresia în ClickHouse?

Ce motoare de tabele în ClickHouse cunoști și ai folosit?