Aprovechar Auto Loader

Hasta ahora hemos visto cómo ingerir archivos individuales, pero ¿cómo podemos hacerlo de forma más eficiente e inteligente? Aquí es donde entra Auto Loader, ya que ofrece la capacidad de procesar de forma incremental los archivos nuevos en cuanto llegan a una ubicación especificada.

¿Cuál de las siguientes afirmaciones describe mejor cómo funciona Auto Loader al ingerir datos nuevos?

Este ejercicio forma parte del curso

Introducción a Databricks SQL

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Introducción a Databricks SQL

IntermedioNivel de habilidad

4.7+

Comienza el curso gratis

Crea una base sólida de data warehousing con la Databricks Data Intelligence Platform. Aprenderás cómo Databricks y la arquitectura lakehouse preparan a tu organización para una pila moderna de SQL y BI. También explorarás los componentes clave del producto Databricks SQL, desde técnicas de almacenamiento de datos hasta optimizaciones de cómputo.

Exercise 1: SQL en la Data Intelligence Platform Exercise 2: Beneficios del lakehouse para SQL Exercise 3: Explorando Databricks SQL Exercise 4: Explorar algunos datos Exercise 5: Partner Connect Exercise 6: Activos clave de Databricks SQL Exercise 7: Clasificar los activos de Databricks SQL Exercise 8: Crea una consulta Exercise 9: Crea una visualización

Crea una base de datos sólida para la arquitectura lakehouse. Aprenderás a ingerir, transformar y modelar tus datos usando las capacidades de Databricks SQL. Explorarás enfoques basados en la interfaz gráfica y programáticos para construir la arquitectura medallion y crear un ecosistema de datos listo para cualquier carga de trabajo analítica.

Exercise 1: Ingesta de datos Exercise 2: Ingesta de datos con interfaz gráfica (GUI)Exercise 3: Hidratando el lakehouse Exercise 4: Subir datos manualmente Exercise 5: Usar COPY INTO Exercise 6: Aprovechar Auto Loader

Ejercicio actual

Exercise 7: Transformar datos Exercise 8: SQL y la arquitectura medallón Exercise 9: Crear una capa de datos de café Exercise 10: Limpiar tablas en bruto Exercise 11: Creación de la capa Silver Exercise 12: Crear una tabla de siniestros con primas elevadas

Crea potentes insights de datos con Databricks SQL. Aprenderás a escribir consultas, crear visualizaciones y alimentar paneles usando las capacidades integradas de Databricks. Practicarás cómo aprovechar código SQL, filtros y parámetros para crear una aplicación analítica robusta para tus usuarios finales.

Exercise 1: Consultas en la Data Intelligence Platform Exercise 2: Activos analíticos en Databricks SQL Exercise 3: Consultar nuestro conjunto de datos de café Exercise 4: Análisis de reclamaciones de seguros Exercise 5: Ampliar consultas con funciones Exercise 6: Visualizar resultados de consultas Exercise 7: Crear una aplicación analítica Exercise 8: El papel de Partner Connect Exercise 9: Un panel de datos de café Exercise 10: Añadir filtros a los paneles Exercise 11: Uso de parámetros en consultas Exercise 12: Crea un panel ejecutivo

En el capítulo final, aprenderás técnicas más avanzadas que aprovechan los principales diferenciadores de la plataforma Databricks. Verás cómo manejar datos de alta velocidad y cambios rápidos usando funciones de ventana, y cómo combinar conjuntos de datos a medida que llegan.

Exercise 1: Patrones comunes de ingeniería de datos Exercise 2: Append vs. CDC Exercise 3: Actualizar datos de ventas de café Exercise 4: Optimizar datos con SQL Exercise 5: Usar INSERT Exercise 6: Usar MERGE Exercise 7: Patrones avanzados de análisis de datos Exercise 8: Comprender las funciones de ventana y las subconsultas Exercise 9: Análisis de ventas de café por tienda Exercise 10: Escribir una subconsulta Exercise 11: Usar una función de ventana Exercise 12: Usar ventanas y subconsultas juntas Exercise 13: Resumen del curso