Question 1

¿Qué comando muestra el directorio de trabajo actual en una terminal Linux?

Accepted Answer

El comando pwd (print working directory) muestra la ruta absoluta del directorio actual. Es esencial para ubicarse en el árbol de archivos, especialmente al navegar entre múltiples carpetas o en scripts bash.

Question 2

¿Qué comando inicializa un nuevo repositorio Git en un directorio existente?

Accepted Answer

El comando git init crea un nuevo repositorio Git en el directorio actual al inicializar el subdirectorio .git que contiene todos los archivos necesarios para el versionado. Este comando es el primer paso para empezar a rastrear los cambios de un proyecto existente.

Question 3

¿Qué es una clase en Python?

Accepted Answer

Una clase es un modelo (blueprint) que define la estructura y el comportamiento de los objetos. Encapsula datos (atributos) y funciones (métodos) que operan sobre esos datos. Las clases permiten crear múltiples instancias que comparten la misma estructura pero con valores diferentes, lo cual es fundamental para la programación orientada a objetos.

Question 4

¿Qué es un contenedor Docker?

Accepted Answer

Un contenedor Docker es una instancia ejecutable de una imagen Docker. Encapsula una aplicación y todas sus dependencias en un entorno aislado y portable. A diferencia de las máquinas virtuales, los contenedores comparten el kernel del sistema host, lo que los hace mucho más ligeros y rápidos de iniciar. Cada contenedor tiene su propio sistema de archivos, su propia pila de red y sus propios procesos aislados.

Question 5

¿Qué es un Data Lake?

Accepted Answer

Un Data Lake es un sistema de almacenamiento centralizado capaz de almacenar datos en bruto en su formato nativo, ya sean estructurados, semiestructurados o no estructurados. A diferencia del Data Warehouse que impone un esquema al escribir (schema-on-write), el Data Lake aplica el esquema al leer (schema-on-read), ofreciendo máxima flexibilidad para la exploración y análisis de datos.

Question 6

¿Qué arquitectura de almacenamiento utiliza BigQuery?

Accepted Answer

BigQuery utiliza una arquitectura serverless con almacenamiento columnar llamado Capacitor. Esta arquitectura separa el almacenamiento y el compute, permitiendo escalado independiente y facturación separada. El almacenamiento columnar está optimizado para consultas analíticas ya que permite leer solo las columnas necesarias, reduciendo significativamente el I/O.

Question 7

¿Qué archivo de configuración de PostgreSQL contiene los parámetros principales del servidor como shared_buffers y work_mem?

Accepted Answer

El archivo postgresql.conf contiene los parámetros principales de configuración del servidor PostgreSQL, incluyendo asignaciones de memoria (shared_buffers, work_mem), configuración de conexión, logging y ajuste de rendimiento. Este archivo se lee al iniciar el servidor y algunos parámetros requieren un reinicio completo para surtir efecto.

Question 8

En dbt, ¿cuál es la función principal de las macros Jinja?

Accepted Answer

Las macros Jinja permiten reutilizar código SQL en varios modelos de dbt. Funcionan como funciones que aceptan parámetros y devuelven código SQL generado dinámicamente. Esto evita la duplicación de código y facilita el mantenimiento de transformaciones complejas en todo el proyecto.

Question 9

¿Cuál es la principal diferencia entre ETL y ELT?

Accepted Answer

En ETL (Extract-Transform-Load), los datos se transforman en un servidor intermedio antes de cargarse en el destino. En ELT (Extract-Load-Transform), los datos brutos se cargan primero en el destino (generalmente un data warehouse cloud) y luego se transforman directamente allí usando su capacidad de cómputo. ELT se ha vuelto popular con data warehouses cloud como BigQuery, Snowflake o Redshift que ofrecen capacidad de cómputo elástica.

Question 10

¿Cuál es el rol principal de un Sensor en Apache Airflow?

Accepted Answer

Un Sensor es un operador especial que espera a que se cumpla una condición antes de continuar con la ejecución del DAG. Verifica periódicamente (poke) si la condición se satisface, como la llegada de un archivo, la disponibilidad de una partición o el estado de otra tarea. Los Sensors son esenciales para orquestar workflows que dependen de eventos externos.

Preguntas de entrevista de Data Engineering

¿Listo para tu entrevista de Data Engineering?

Explora todos los temas de Data Engineering

Linux & Shell - Fundamentos

Git & GitHub - Fundamentos

Python avanzado para Data Engineering

Docker - Fundamentos

Google Cloud Platform - Fundamentos

CI/CD y calidad de código

Docker Compose

FastAPI - APIs de datos

SQL avanzado para Data Engineering

Data Lake - Arquitectura e ingesta

BigQuery para Data Engineering

PostgreSQL - Administración

Data Modeling para Data Engineering

Fivetran & Airbyte - Ingesta de datos

dbt - Fundamentos

Apache Airflow - Fundamentos

Kubernetes - Fundamentos

dbt - Funcionalidades avanzadas

Patrones ETL / ELT / ETLT

Apache Airflow - Avanzado

Airflow + dbt - Orquestación de pipelines

PySpark - Procesamiento a gran escala

Google Pub/Sub - Streaming de datos

Apache Beam & Dataflow

Kubernetes - Producción y escalado

Terraform - Infrastructure as Code

Bases de datos NoSQL

Arquitectura Data moderna

Monitoreo y observabilidad

IAM y seguridad de datos

Domina Data Engineering para tu próxima entrevista