Самые популярные вопросы и ответы для интервью и онлайн-тесты
Образовательная платформа для подготовки к интервью, онлайн-тестов, учебных материалов и живой практики

Развивайте навыки с целевыми маршрутами обучения, пробными тестами и контентом для подготовки к интервью.

WithoutBook объединяет вопросы для интервью по предметам, онлайн-практику, учебные материалы и сравнительные руководства в одном удобном учебном пространстве.

Подготовка к интервью
LIVE пробные интервью WithoutBook PySpark Похожие темы для интервью: 13

Interview Questions and Answers

Изучите лучшие вопросы и ответы по PySpark для новичков и опытных кандидатов, чтобы подготовиться к собеседованиям.

Всего вопросов: 30 Interview Questions and Answers

Лучшее LIVE пробное интервью, которое стоит посмотреть перед собеседованием

Изучите лучшие вопросы и ответы по PySpark для новичков и опытных кандидатов, чтобы подготовиться к собеседованиям.

Interview Questions and Answers

Найдите вопрос, чтобы посмотреть ответ.

Вопросы и ответы для новичков / начинающего уровня

Вопрос 1

What is PySpark?

PySpark is the Python API for Apache Spark, a fast and general-purpose cluster computing system.

Example:

from pyspark.sql import SparkSession

spark = SparkSession.builder.appName('example').getOrCreate()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 2

Explain the purpose of the 'groupBy' operation in PySpark.

'groupBy' is used to group the data based on one or more columns. It is often followed by aggregation functions to perform operations on each group.

Example:

grouped_data = df.groupBy('Category').agg({'Price': 'mean'})
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 3

Explain the concept of a SparkSession in PySpark.

SparkSession is the entry point to any PySpark functionality. It is used to create DataFrames, register DataFrames as tables, and execute SQL queries.

Example:

from pyspark.sql import SparkSession

spark = SparkSession.builder.appName('example').getOrCreate()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 4

Explain the purpose of the 'collect' action in PySpark.

The 'collect' action retrieves all elements of a distributed dataset (RDD or DataFrame) and brings them to the driver program.

Example:

data = df.collect()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 5

How can you perform a union operation on two DataFrames in PySpark?

You can use the 'union' method to combine two DataFrames with the same schema.

Example:

result = df1.union(df2)
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 6

What is the purpose of the 'groupBy' operation in PySpark?

'groupBy' is used to group the data based on one or more columns. It is often followed by aggregation functions to perform operations on each group.

Example:

grouped_data = df.groupBy('Category').agg({'Price': 'mean'})
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 7

How can you create a temporary view from a PySpark DataFrame?

You can use the 'createOrReplaceTempView' method to create a temporary view from a PySpark DataFrame.

Example:

df.createOrReplaceTempView('temp_view')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 8

What is the purpose of the 'orderBy' operation in PySpark?

'OrderBy' is used to sort the rows of a DataFrame based on one or more columns.

Example:

result = df.orderBy('column')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии

Вопросы и ответы для среднего уровня / опыта от 1 до 5 лет

Вопрос 9

Explain the concept of Resilient Distributed Datasets (RDD) in PySpark.

RDD is the fundamental data structure in PySpark, representing an immutable distributed collection of objects. It allows parallel processing and fault tolerance.

Example:

data = [1, 2, 3, 4, 5]
rdd = spark.sparkContext.parallelize(data)
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 10

What is the difference between a DataFrame and an RDD in PySpark?

DataFrame is a higher-level abstraction on top of RDD, providing a structured and tabular representation of data. It supports various optimizations and operations similar to SQL.

Example:

df = spark.createDataFrame([(1, 'John'), (2, 'Jane')], ['ID', 'Name'])
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 11

What is the purpose of the 'cache' operation in PySpark?

The 'cache' operation is used to persist a DataFrame or RDD in memory, enhancing the performance of iterative algorithms or repeated operations.

Example:

df.cache()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 12

How can you handle missing or null values in a PySpark DataFrame?

You can use the 'na' functions like 'drop' or 'fill' to handle missing values in a PySpark DataFrame.

Example:

df.na.drop()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 13

What is the purpose of the 'explode' function in PySpark?

The 'explode' function is used to transform a column with arrays or maps into multiple rows, duplicating the values of the other columns.

Example:

from pyspark.sql.functions import explode

exploded_df = df.select('ID', explode('items').alias('item'))
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 14

Explain the purpose of the 'persist' operation in PySpark.

'Persist' is used to persist a DataFrame or RDD in memory or on disk, allowing faster access to the data in subsequent operations.

Example:

df.persist()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 15

What is the purpose of the 'explode' function in PySpark?

The 'explode' function is used to transform a column with arrays or maps into multiple rows, duplicating the values of the other columns.

Example:

from pyspark.sql.functions import explode

exploded_df = df.select('ID', explode('items').alias('item'))
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 16

How can you handle missing or null values in a PySpark DataFrame?

You can use the 'na' functions like 'drop' or 'fill' to handle missing values in a PySpark DataFrame.

Example:

df.na.drop()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 17

Explain the difference between 'cache' and 'persist' operations in PySpark.

'Cache' is a shorthand for 'persist(memory_only=True)', while 'persist' allows more flexibility by specifying storage levels (memory-only, disk-only, etc.).

Example:

df.cache()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 18

What is the purpose of the 'agg' method in PySpark?

The 'agg' method is used for aggregating data in a PySpark DataFrame. It allows you to perform various aggregate functions like sum, avg, max, min, etc., on specified columns.

Example:

result = df.agg({'Sales': 'sum', 'Quantity': 'avg'})
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 19

Explain the purpose of the 'coalesce' method in PySpark.

The 'coalesce' method is used to reduce the number of partitions in a PySpark DataFrame. It helps in optimizing the performance when the number of partitions is unnecessarily large.

Example:

df_coalesced = df.coalesce(5)
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии

Вопросы и ответы для опытного / экспертного уровня

Вопрос 20

How can you perform the join operation in PySpark?

You can use the 'join' method on DataFrames. For example, df1.join(df2, df1['key'] == df2['key'], 'inner') performs an inner join on 'key'.

Example:

result = df1.join(df2, df1['key'] == df2['key'], 'inner')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 21

What is the role of the 'broadcast' variable in PySpark?

A 'broadcast' variable is used to cache a read-only variable in each node of a cluster to enhance the performance of joins.

Example:

from pyspark.sql.functions import broadcast

result = df1.join(broadcast(df2), 'key')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 22

Explain the significance of the 'window' function in PySpark.

The 'window' function in PySpark is used for defining windows over data based on partitioning and ordering, often used with aggregation functions.

Example:

from pyspark.sql.window import Window
from pyspark.sql.functions import row_number

window_spec = Window.orderBy('column')
result = df.withColumn('row_num', row_number().over(window_spec))
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 23

Explain the concept of 'checkpointing' in PySpark.

'Checkpointing' is a mechanism in PySpark to truncate the lineage of a RDD or DataFrame by saving it to a reliable distributed file system.

Example:

spark.sparkContext.setCheckpointDir('hdfs://path/to/checkpoint')
df_checkpointed = df.checkpoint()
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 24

How can you handle skewed data in PySpark?

You can use techniques like salting, bucketing, or using the 'broadcast' hint to handle skewed data in PySpark.

Example:

df.write.option('skew_hint', 'true').parquet('output_path')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 25

Explain the purpose of the 'window' function in PySpark.

The 'window' function is used for defining windows over data based on partitioning and ordering, often used with aggregation functions.

Example:

from pyspark.sql.window import Window
from pyspark.sql.functions import sum

window_spec = Window.partitionBy('category').orderBy('value')
result = df.withColumn('sum_value', sum('value').over(window_spec))
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 26

Explain the concept of 'broadcast' variables in PySpark.

'Broadcast' variables are read-only variables cached on each node of a cluster to efficiently distribute large read-only data structures.

Example:

from pyspark.sql.functions import broadcast

result = df1.join(broadcast(df2), 'key')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 27

Explain the role of the 'broadcast' variable in PySpark.

A 'broadcast' variable is used to cache a read-only variable in each node of a cluster to enhance the performance of joins.

Example:

from pyspark.sql.functions import broadcast

result = df1.join(broadcast(df2), 'key')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 28

What is the purpose of the 'accumulator' in PySpark?

An 'accumulator' is a variable that can be used in parallel operations and is updated by multiple tasks. It is typically used for implementing counters or sums in distributed computing.

Example:

accumulator = spark.sparkContext.accumulator(0)

# Inside a transformation or action
accumulator.add(1)
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 29

Explain the use of the 'broadcast' hint in PySpark.

The 'broadcast' hint is used to explicitly instruct PySpark to use a broadcast join strategy for better performance, especially when one DataFrame is significantly smaller than the other.

Example:

from pyspark.sql.functions import broadcast

result = df1.join(broadcast(df2), 'key')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии
Вопрос 30

How can you handle data skewness in PySpark?

Data skewness can be handled by using techniques like salting, bucketing, or using the 'broadcast' hint to distribute data more evenly across partitions.

Example:

df.write.option('skew_hint', 'true').parquet('output_path')
Сохранить для повторения

Сохранить для повторения

Добавьте этот элемент в закладки, отметьте как сложный или поместите в набор для повторения.

Открыть мою библиотеку обучения
Это полезно?
Добавить комментарий Посмотреть комментарии

Самое полезное по оценкам пользователей:

Авторские права © 2026, WithoutBook.