合格保証付きクイズ2025年最新の実際に出る検証済みのDP-600日本語無料試験問題集 [Q44-Q61]

合格保証付きクイズ2025年最新の実際に出る検証済みのDP-600日本語無料試験問題集

無料Microsoft Certified DP-600日本語究極な学習ガイド（更新されたのは112問があります)

質問 # 44
Sales.Orders という名前のテーブルを含む Fabric ウェアハウスがあります。 Sales.Orders には次の列が含まれます。

次の列を返す T-SQL クエリを作成する必要があります。

コードをどのように完成させるべきでしょうか?回答するには、回答領域で適切なオプションを選択してください。
注: 正しく選択するたびに 1 ポイントの価値があります。

正解：

解説：

Explanation:

For the PeriodDate that returns the first day of the month for OrderDate, you should use DATEFROMPARTS as it allows you to construct a date from its individual components (year, month, day).
For the DayName that returns the name of the day for OrderDate, you should use DATENAME with the weekday date part to get the full name of the weekday.
The complete SQL query should look like this:
SELECT OrderID, CustomerID,
DATEFROMPARTS(YEAR(OrderDate), MONTH(OrderDate), 1) AS PeriodDate,
DATENAME(weekday, OrderDate) AS DayName
FROM Sales.Orders
Select DATEFROMPARTS for the PeriodDate and weekday for the DayName in the answer area.

質問 # 45
Microsoft タワー BL Premium 容量を使用するファブリックテナントがあります。セマンティックモデルのスケールアウトを有効にする必要があります。まず何をすべきでしょうか?

A. テナントレベルで、[メトリックの作成と使用] を [有効] に設定します。
B. セマンティックモデルレベルで、大規模データセットのストレージ形式をオンに設定します。
C. セマンティックモデルレベルで、大規模データセットのストレージ形式をオフに設定します。
D. テナントレベルで、Data Activator を有効に設定します。

正解：B

解説：
To enable scale-out for a semantic model, you should first set Large dataset storage format to On (C) at the semantic model level. This configuration is necessary to handle larger datasets effectively in a scaled-out environment. Reference = Guidance on configuring large dataset storage formats for scale-out is available in the Power BI documentation.

質問 # 46
データパイプラインを含むファブリックテナントがあります。
パイプラインが月曜日と金曜日に 4 時間ごとに実行されるようにする必要があります。
スケジュールのリピートを何に設定すればよいですか?

A. 毎時
B. 毎日
C. 毎分
D. 毎週

正解：D

解説：
You should set Repeat for the schedule to Weekly (C). This allows you to specify the pipeline to run on specific days of the week, in this case, every four hours on Mondays and Fridays. Reference = Scheduling options for data pipelines are available in the Azure Data Factory documentation, which includes details on configuring recurring triggers.

質問 # 47
Fabricテナントをお持ちの場合
Pipeline1 という名前のデータパイプラインを作成する予定です。Pipeline1 には、順番に実行される 2 つのアクティビティが含まれます。最初のアクティビティが失敗しても、2 番目のアクティビティがブロックされないようにする必要があります。最初のアクティビティと 2 番目のアクティビティの間には、どの条件パスを構成する必要がありますか。

A. 失敗した場合
B. 完了時
C. スキップ時
D. 成功時

正解：B

質問 # 48
Lakehouse1 という名前のレイクハウスを含む Fabric テナントがあります。 Lakehouse1 には、Nyctaxi_raw という名前のテーブルが含まれています。 Nyctaxi_raw には次の列が含まれます。

Fabric ノートブックを作成し、lakehouse1 にアタッチします。
データを変換するには PySpark コードを使用する必要があります。ソリューションは次の要件を満たす必要があります。
* pickupDateTime の日付部分のみを含む、pickupDate という名前の列を追加します。
* DataFrame をフィルターして、fareAmount が 100 未満の正の数である行のみを含めます。
コードをどのように完成させるべきでしょうか?回答するには、回答領域で適切なオプションを選択してください。注: 正しく選択するたびに 1 ポイントの価値があります。

正解：

解説：

Explanation:

* Add the pickupDate column: .withColumn("pickupDate", df["pickupDateTime"].cast("date"))
* Filter the DataFrame: .filter("fareAmount > 0 AND fareAmount < 100")
In PySpark, you can add a new column to a DataFrame using the .withColumn method, where the first argument is the new column name and the second argument is the expression to generate the content of the new column. Here, we use the .cast("date") function to extract only the date part from a timestamp. To filter the DataFrame, you use the .filter method with a condition that selects rows where fareAmount is greater than 0 and less than 100, thus ensuring only positive values less than 100 are included.

質問 # 49
Repo1 という名前の Azure Repos Git リポジトリと、ファブリック対応の Microsoft Power Bl Premium 容量があります。この容量には、「Workspace!」という名前の 2 つのワークスペースが含まれています。とワークスペース2。 Git 統合はワークスペースレベルで有効になります。
Microsoft Power Bl デスクトップとワークスペースを使用する予定です。 Repo1 に保存されているセマンティックモデルにバージョン管理された変更を加えます。変更は、Azure Pipelines を使用して Workspace2 に構築およびデプロイされます。
レポートとセマンティックモデルの定義がフォルダー階層内の個別のテキストファイルとして保存されていることを確認する必要があります。ソリューションでは、開発とメンテナンスの労力を最小限に抑える必要があります。
どのファイル形式で変更を保存する必要がありますか?

A. PBIX
B. PBIT
C. PBIP
D. PBIDS

正解：A

解説：
When working with Power BI Desktop and Git integration for version control, report and semantic model definitions should be saved in the PBIX format. PBIX is the Power BI Desktop file format that contains definitions for reports, data models, and queries, and it can be easily saved and tracked in a version-controlled environment. The solution should minimize development and maintenance effort, and saving in PBIX format allows for the easiest transition from development to deployment, especially when using Azure Pipelines for CI/CD (continuous integration/continuous deployment) practices.
References: The use of PBIX files with Power BI Desktop and Azure Repos for version control is discussed in Microsoft's official Power BI documentation, particularly in the sections covering Power BI Desktop files and Azure DevOps integration.

質問 # 50
Microsoft Power Bl Desktop を使用してセマンティックモデルを作成します。モデルには、SalesRegionManager という名前の 1 つのセキュリティロールと次のテーブルが含まれています。
* 販売
* 販売地域
* 販売アドレス
SalesRegionManager ロールを割り当てられたユーザーが Sales Address の Address という名前の列を参照できないようにモデルを変更する必要があります。
どの 3 つのアクションを順番に実行する必要がありますか?回答するには、アクションのリストから適切なアクションを回答領域に移動し、正しい順序で並べます。

正解：

解説：

Explanation:

To ensure that users assigned the SalesRegionManager role cannot see the Address column in the SalesAddress table, follow these steps in sequence:
* Open the model in Tabular Editor.
* Select the Address column in SalesAddress.
* Set Object Level Security to None for SalesRegionManager.

質問 # 51
Warehouse1 という名前の倉庫を含むファブリックテナントがあります。 Warehouse1 には、10 億行を含む FactSales という名前のファクトテーブルが含まれています。次の T-SQL ステートメントを実行します。
Dbo.FactSales のクローンとしてテーブル test.FactSales を作成します。
次の各ステートメントについて、そのステートメントが true の場合は [はい] を選択します。それ以外の場合は、「いいえ」を選択します。注: 正しく選択するたびに 1 ポイントの価値があります。

正解：

解説：

Explanation:
* A replica of dbo.Sales is created in the test schema by copying the metadata only. - No
* Additional schema changes to dbo.FactSales will also apply to test.FactSales. - No
* Additional data changes to dbo.FactSales will also apply to test.FactSales. - Yes The CREATE TABLE AS CLONE statement creates a copy of an existing table, including its data and any associated data structures, like indexes. Therefore, the statement does not merely copy metadata; it also copies the data. However, subsequent schema changes to the original table do not automatically propagate to the cloned table. Any data changes in the original table after the clone operation will not be reflected in the clone unless explicitly updated.
References =
* CREATE TABLE AS SELECT (CTAS) in SQL Data Warehouse

質問 # 52
倉庫を含む Fabric テナントがあります。
顧客ディメンションを含むスタースキーマモデルを設計しています。顧客ディメンションテーブルは、タイプ 2 のゆっくりと変化するディメンション (SCD) になります。
テーブルに追加する列を推奨する必要があります。列はソース内にすでに存在していてはなりません。
どの 3 種類のカラムをお勧めしますか?それぞれの正解は、解決策の一部を示しています。
注: 各正解は 1 ポイントの価値があります。

A. 代理キー
B. 有効な終了日時
C. 自然キー
D. 有効な開始日時
E. 外部キー

正解：A、B、D

解説：
For a Type 2 slowly changing dimension (SCD), you typically need to add the following types of columns that do not exist in the source system:
* An effective start date and time (E): This column records the date and time from which the data in the row is effective.
* An effective end date and time (A): This column indicates until when the data in the row was effective.
It allows you to keep historical records for changes over time.
* A surrogate key (C): A surrogate key is a unique identifier for each row in a table, which is necessary for Type 2 SCDs to differentiate between historical and current records.
References: Best practices for designing slowly changing dimensions in data warehousing solutions, which include Type 2 SCDs, are commonly discussed in data warehousing and business intelligence literature and would be part of the modeling guidance in a Fabric tenant's documentation.
Topic 1, Litware. Inc. Case Study
Overview
Litware. Inc. is a manufacturing company that has offices throughout North America. The analytics team at Litware contains data engineers, analytics engineers, data analysts, and data scientists.
Existing Environment
litware has been using a Microsoft Power Bl tenant for three years. Litware has NOT enabled any Fabric capacities and features.
Fabric Environment
Litware has data that must be analyzed as shown in the following table.

The Product data contains a single table and the following columns.

The customer satisfaction data contains the following tables:
* Survey
* Question
* Response
For each survey submitted, the following occurs:
* One row is added to the Survey table.
* One row is added to the Response table for each question in the survey.
The Question table contains the text of each survey question. The third question in each survey response is an overall satisfaction score. Customers can submit a survey after each purchase.
User Problems
The analytics team has large volumes of data, some of which is semi-structured. The team wants to use Fabric to create a new data store.
Product data is often classified into three pricing groups: high, medium, and low. This logic is implemented in several databases and semantic models, but the logic does NOT always match across implementations.
Planned Changes
Litware plans to enable Fabric features in the existing tenant. The analytics team will create a new data store as a proof of concept (PoC). The remaining Litware users will only get access to the Fabric features once the PoC is complete. The PoC will be completed by using a Fabric trial capacity.
The following three workspaces will be created:
* AnalyticsPOC: Will contain the data store, semantic models, reports, pipelines, dataflows, and notebooks used to populate the data store
* DataEngPOC: Will contain all the pipelines, dataflows, and notebooks used to populate Onelake
* DataSciPOC: Will contain all the notebooks and reports created by the data scientists The following will be created in the AnalyticsPOC workspace:
* A data store (type to be decided)
* A custom semantic model
* A default semantic model
* Interactive reports
The data engineers will create data pipelines to load data to OneLake either hourly or daily depending on the data source. The analytics engineers will create processes to ingest transform, and load the data to the data store in the AnalyticsPOC workspace daily. Whenever possible, the data engineers will use low-code tools for data ingestion. The choice of which data cleansing and transformation tools to use will be at the data engineers' discretion.
All the semantic models and reports in the Analytics POC workspace will use the data store as the sole data source.
Technical Requirements
The data store must support the following:
* Read access by using T-SQL or Python
* Semi-structured and unstructured data
* Row-level security (RLS) for users executing T-SQL queries
Files loaded by the data engineers to OneLake will be stored in the Parquet format and will meet Delta Lake specifications.
Data will be loaded without transformation in one area of the AnalyticsPOC data store. The data will then be cleansed, merged, and transformed into a dimensional model.
The data load process must ensure that the raw and cleansed data is updated completely before populating the dimensional model.
The dimensional model must contain a date dimension. There is no existing data source for the date dimension. The Litware fiscal year matches the calendar year. The date dimension must always contain dates from 2010 through the end of the current year.
The product pricing group logic must be maintained by the analytics engineers in a single location. The pricing group data must be made available in the data store for T-SQL queries and in the default semantic model. The following logic must be used:
* List prices that are less than or equal to 50 are in the low pricing group.
* List prices that are greater than 50 and less than or equal to 1,000 are in the medium pricing group.
* List pnces that are greater than 1,000 are in the high pricing group.
Security Requirements
Only Fabric administrators and the analytics team must be able to see the Fabric items created as part of the PoC. Litware identifies the following security requirements for the Fabric items in the AnalyticsPOC workspace:
* Fabric administrators will be the workspace administrators.
* The data engineers must be able to read from and write to the data store. No access must be granted to datasets or reports.
* The analytics engineers must be able to read from, write to, and create schemas in the data store. They also must be able to create and share semantic models with the data analysts and view and modify all reports in the workspace.
* The data scientists must be able to read from the data store, but not write to it. They will access the data by using a Spark notebook.
* The data analysts must have read access to only the dimensional model objects in the data store. They also must have access to create Power Bl reports by using the semantic models created by the analytics engineers.
* The date dimension must be available to all users of the data store.
* The principle of least privilege must be followed.
Both the default and custom semantic models must include only tables or views from the dimensional model in the data store. Litware already has the following Microsoft Entra security groups:
* FabricAdmins: Fabric administrators
* AnalyticsTeam: All the members of the analytics team
* DataAnalysts: The data analysts on the analytics team
* DataScientists: The data scientists on the analytics team
* Data Engineers: The data engineers on the analytics team
* Analytics Engineers: The analytics engineers on the analytics team
Report Requirements
The data analysis must create a customer satisfaction report that meets the following requirements:
* Enables a user to select a product to filter customer survey responses to only those who have purchased that product
* Displays the average overall satisfaction score of all the surveys submitted during the last 12 months up to a selected date
* Shows data as soon as the data is updated in the data store
* Ensures that the report and the semantic model only contain data from the current and previous year
* Ensures that the report respects any table-level security specified in the source data store
* Minimizes the execution time of report queries

質問 # 53
OneLake に Parquet ファイルとして保存された顧客離脱データを含む Fabric テナントがあります。データには、顧客の人口統計と製品の使用状況に関する詳細が含まれています。
Fabric ノートブックを作成し、データを Spark DataFrame に読み込みます。次に、ノートブックに縦棒グラフを作成し、地理、購入した製品の数、年齢、顧客在籍期間に基づいて、保持された顧客と失った顧客の分布を表示します。
どのような種類の分析を実行していますか?

A. 診断
B. 説明的
C. 予測的
D. 規範的

正解：B

質問 # 54
Lakehouse という名前のレイクハウスを含む Fabric テナントがあります。Lakehouse1 には、100 万個の Parquet ファイルを含む Delta テーブルが含まれています。
過去 30 日間にテーブルによって参照されなかったファイルを削除する必要があります。ソリューションでは、トランザクションログの一貫性が維持され、テーブルの ACID プロパティが維持されるようにする必要があります。何をすべきでしょうか。

A. OPTiMizeコマンドを実行し、Zオーダーパラメータを指定します。
B. OneLake ファイルエクスプローラーからファイルを削除します。
C. optimize コマンドを実行し、v-order パラメータを指定します。
D. バキュームコマンドを実行します。

正解：D

質問 # 55
ファブリックテナント tha1 には、Lakehouse1 という名前のテイクハウスが含まれています。 Lakehouse1 には、Customer という名前のデルタテーブルが含まれています。
Customer にクエリを実行すると、クエリの実行が遅いことがわかります。テーブルのメンテナンスが実行されていないのではないかと考えられます。
顧客に対してメンテナンスタスクが実行されたかどうかを特定する必要があります。
解決策: 次の Spark SQL ステートメントを実行します。
リフレッシュテーブルのお客様
これは目標を達成していますか?

A. はい
B. いいえ

正解：B

解説：
No, the REFRESH TABLE statement does not provide information on whether maintenance tasks were performed. It only updates the metadata of a table to reflect any changes on the data files. Reference = The use and effects of the REFRESH TABLE command are explained in the Spark SQL documentation.

質問 # 56
ローカルコンピューター上のフォルダーにソースデータがあります。
Fabric を使用してデータストアにデータを設定するソリューションを作成する必要があります。ソリューションは次の要件を満たす必要があります。
* データストアへのデータの読み込みと追加のためのデータフローの使用をサポートします。
* デルタテーブルが V-Order に最適化され、自動的に圧縮されていることを確認します。
どのタイプのデータストアを使用する必要がありますか?

A. a lakehouse
B. KQL データベース
C. Azure SQL データベース
D. 倉庫

正解：C、D

解説：
A lakehouse (A) is the type of data store you should use. It supports dataflows to load and append data and ensures that Delta tables are Z-Order optimized and compacted automatically. Reference = The capabilities of a lakehouse and its support for Delta tables are described in the lakehouse and Delta table documentation.

質問 # 57
Model1 という名前のセマンティックモデルを含むファブリックテナントがあります。 Model1 はインポートモードを使用します。 Model1 には Orders という名前のテーブルが含まれています。 Orders には 1 億行と次のフィールドがあります。

Model が使用するメモリを減らす必要があります。モデルの更新にかかる時間。どの 2 つのアクションを実行する必要がありますか?それぞれの正解は、解決策の一部を示しています。注: 各正解は 1 ポイントの価値があります。

A. TotalQuantity を計算列に置き換えます。
B. OrderDateTime を個別の日付列と時刻列に分割します。
C. 数量をテキストデータ型に変換します。
D. TotalSalesAmount をメジャーに置き換えます。

正解：A、D

解説：
To reduce memory usage and refresh time, splitting the OrderDateTime into separate date and time columns (A) can help optimize the model because date/time data types can be more memory-intensive than separate date and time columns. Moreover, replacing TotalSalesAmount with a measure (D) instead of a calculated column ensures that the calculation is performed at query time, which can reduce the size of the model as the value is not stored but calculated on the fly. References = The best practices for optimizing Power BI models are detailed in the Power BI documentation, which recommends using measures for calculations that don't need to be stored and adjusting data types to improve performance.

質問 # 58
Report 1 という名前の Microsoft Power Bl レポートを含む Fabric テナントがあります。Report1 には Python ビジュアルが含まれています。ビジュアルによって表示されるデータは自動的にグループ化され、重複した行は表示されません。
ビジュアルにすべての行を表示する必要があります。あなたは何をするべきか？

A. Python コード内の列をインデックスで参照します。
B. 各行に一意のフィールドを追加します。
C. すべての列の [列の並べ替え] プロパティを変更します。
D. すべての列の Summarize By プロパティを変更します。

正解：A

解説：
To ensure all rows appear in the Python visual within a Power BI report, option C, adding a unique field to each row, is the correct solution. This will prevent automatic grouping by unique values and allow for all instances of data to be represented in the visual. Reference = For more on Power BI Python visuals and how they handle data, please refer to the Power BI documentation.
Topic 2, Contoso, ltd.
Overview
Contoso, ltd. is a US-based health supplements company, Contoso has two divisions named Sales and Research. The Sales division contains two departments named Online Sales and Retail Sales. The Research division assigns internally developed product lines to individual teams of researchers and analysts.
Identity Environment
Contoso has a Microsoft Entra tenant named contoso.com. The tenant contains two groups named ResearchReviewersGroupi and ReseachReviewefsGfoup2.
Data Environment
Contoso has the following data environment
* The Sales division uses a Microsoft Power B1 Premium capacity.
* The semantic model of the Online Sales department includes a fact table named Orders that uses import mode. In the system of origin, the OrderlD value represents the sequence in which orders are created.
* The Research department uses an on-premises. third-party data warehousing product.
* Fabric is enabled for contoso.com.
* An Azure Data Lake Storage Gen2 storage account named storage1 contains Research division data for a product line named Producthne1. The data is in the delta format.
* A Data Lake Storage Gen2 storage account named storage2 contains Research division data for a product line named Productline2. The data is in the CSV format.
Planned Changes
Contoso plans to make the following changes:
* Enable support for Fabric in the Power Bl Premium capacity used by the Sales division.
* Make all the data for the Sales division and the Research division available in Fabric.
* For the Research division, create two Fabric workspaces named Producttmelws and Productline2ws.
* in Productlinelws. create a lakehouse named LakehouseV
* In Lakehouse1. create a shortcut to storage1 named ResearchProduct.
Data Analytics Requirements
Contoso identifies the following data analytics requirements:
* All the workspaces for the Sales division and the Research division must support all Fabric experiences.
* The Research division workspaces must use a dedicated, on-demand capacity that has per-minute billing.
* The Research division workspaces must be grouped together logically to support OneLake data hub filtering based on the department name.
* For the Research division workspaces, the members of ResearchRevtewersGroupl must be able to read lakehouse and warehouse data and shortcuts by using SQL endpoints.
* For the Research division workspaces, the members of ResearchReviewersGroup2 must be able to read lakehouse data by using Lakehouse explorer.
* All the semantic models and reports for the Research division must use version control that supports branching Data Preparation Requirements Contoso identifies the following data preparation requirements:
* The Research division data for Producthne2 must be retrieved from Lakehouset by using Fabric notebooks.
* All the Research division data in the lakehouses must be presented as managed tables in Lakehouse explorer.
Semantic Model Requirements
Contoso identifies the following requirements for implementing and managing semantic models;
* The number of rows added to the Orders table during refreshes must be minimized.
* The semantic models in the Research division workspaces must use Direct Lake mode.
General Requirements
Contoso identifies the following high-level requirements that must be considered for all solutions:
* Follow the principle of least privilege when applicable
* Minimize implementation and maintenance effort when possible.

質問 # 59
Dataflow1 という名前のデータフローを含む Workspace 1 という名前の Fabric ワークスペースがあります。データフロー！ 2.000 行を返すクエリがあります。次の図に示すように、Power Query でクエリを表示します。

PickUpLongitude 列について何がわかりますか?

A. 列に重複した値があります。
B. すべてのテーブル行がプロファイリングされます。
C. 1 回だけ出現する値が 935 個あります。
D. 列に欠損値があります。

正解：A

解説：
The pickupLongitude column has duplicate values. This can be inferred because the 'Distinct count' is 935 while the 'Count' is 1000, indicating that there are repeated values within the column. References = Microsoft Power BI documentation on data profiling could provide further insights into understanding and interpreting column statistics like these.

質問 # 60
Lakehouse1 という名前のレイクハウスを含む Fabric テナントがあります。 Lakehouse1 には、Nyctaxi_raw という名前のテーブルが含まれています。 Nyctaxi_raw には次の列が含まれます。

Fabric ノートブックを作成し、lakehouse1 にアタッチします。
データを変換するには PySpark コードを使用する必要があります。ソリューションは次の要件を満たす必要があります。
* pickupDateTime の日付部分のみを含む、pickupDate という名前の列を追加します。
* DataFrame をフィルターして、fareAmount が 100 未満の正の数である行のみを含めます。
コードをどのように完成させるべきでしょうか?回答するには、回答領域で適切なオプションを選択してください。注: 正しく選択するたびに 1 ポイントの価値があります。