説明
itemsDf.withColumn("itemId", col("itemId").cast("string"))
正しい。Column クラスの cast メソッドを使用して、列のデータ型を変換できます。また、既存の itemId 列を文字列を含む新しいバージョンに置き換えるには、itemsDf で withColumn メソッドを使用する必要があることに注意してください。
itemsDf.withColumn("itemId", col("itemId").convert("string"))
正しくない。col("itemId") が返す Column オブジェクトには convert メソッドがありません。
itemsDf.withColumn("itemId", convert("itemId", "string"))
間違い。Spark の spark.sql.functions モジュールには convert メソッドがありません。この質問は、「改心した」という言葉を使って誤解を招こうとしています。型変換は「型キャスト」とも呼ばれます。これは、変換メソッドではなくキャスト メソッドを探すことを忘れないようにするのに役立つ場合があります (正解を参照)。
itemsDf.select(astype("itemId", "string"))
間違い。astype は Column のメソッド (および Column.cast のエイリアス) ですが、pyspark.sql.functions (コード ブロックが意味するもの) のメソッドではありません。さらに、この質問では、複数列の DataFrame itemsDf に一致する完全な DataFrame を返すよう求めています。コード ブロックのように itemsDf から列を 1 つだけ選択すると、単一列の DataFrame が返されます。
spark.cast(itemsDf, "itemId", "string")
いいえ、Spark セッション (spark によって呼び出される) にはキャスト メソッドがありません。以下のドキュメントにリンクされている Spark セッションで使用可能なすべてのメソッドのリストを見つけることができます。
より詳しい情報：
- pyspark.sql.Column.cast - PySpark 3.1.2 ドキュメント
- pyspark.sql.Column.astype - PySpark 3.1.2 ドキュメント
- pyspark.sql.SparkSession - PySpark 3.1.2 ドキュメント
静的ノートブック | 動的ノートブック: テスト 3 を参照

説明
依存関係が狭いステージは、1 つのタスクにグループ化できます。
依存関係が狭いタスクは、1 つのステージにグループ化できます。
広い依存関係を持つタスクは、1 つのステージにグループ化できます。
間違っています。ワイド トランスフォームは、常にステージの境界を示すシャッフルを引き起こすためです。したがって、広い依存関係を持つ複数のタスクを 1 つのステージにバンドルすることはできません。
タスクは、実行階層で 2 番目に小さい要素です。
いいえ、それらは実行階層の最小の要素です。
1 つのタスク内で、スロットはデータの各パーティションに対して実行される作業の単位です。
いいえ、タスクはパーティションごとに実行される作業の単位です。スロットは、Spark が作業を並列化するのに役立ちます。エグゼキューターは、複数のタスクを並行して処理できるようにする複数のスロットを持つことができます。

説明
アクションは適応クエリ実行をトリガーできますが、変換はトリガーできません。
正しい。Adaptive Query Execution は、実行時にクエリを最適化します。変換は遅延して評価されるため、アクションが呼び出されるまで、Spark にはクエリを最適化するためのランタイム情報がありません。Adaptive Query Execution が有効になっている場合、Spark はクエリの評価中に収集したフィードバックに基づいてクエリの最適化を試みます。
アクションは遅延実行のためにキューに入れることができますが、変換はすぐにしか処理できません。
いいえ、Spark には「遅延実行」という概念はありません。アクションは遅延評価できません。つまり、すぐに実行されます。
アクションは遅延評価されますが、変換は遅延評価されません。
不正解です。逆です。変換は遅延して評価され、アクションはその評価をトリガーします。
アクションはRDDを生成しますが、変換は生成しません。
いいえ。変換はデータを変更し、RDD は不変であるため、途中で新しい RDD を生成します。
アクションは、RDD に基づいて Python およびデータ型 (整数、リスト、テキスト ファイルなど) で出力を生成しますが、生成はしません。
アクションと変換を区別するためのヒントを次に示します。操作が DataFrame、Dataset、または RDD を返す場合、それは変換です。それ以外の場合は、アクションです。
アクションはドライバーに結果を送信しませんが、変換は送信します。
いいえ。アクションは結果をドライバーに送信します。DataFrame.count() の実行について考えてみましょう。このコマンドの結果は、数値をドライバーに返します。ただし、変換は結果をドライバーに送り返しません。それらは、ワーカー ノードに残る RDD を生成します。
詳細: Apache Spark での変換とアクションの違いは何ですか? | | Bartosz Mikulski、適応クエリ実行で SQL クエリを高速化する方法

説明
spark.createDataFrame(スループットレート、FloatType())
正しい！spark.createDataFrame は、ここで使用する正しい演算子であり、コマンドのスキーマ引数に渡されるタイプ FloatType() は、括弧を使用して正しくインスタンス化されます。
PySpark では、SparkSession.createDataFrame に型を渡すときに型をインスタンス化することが不可欠であることに注意してください。また、Databricks では、spark は SparkSession オブジェクトを返します。
spark.createDataFrame((スループットレート), FloatType)
いいえ。throughputRates を括弧でパッキングしても、このコマンドの実行には何も影響しませんが、前の回答のように括弧で FloatType をインスタンス化しないと、このコマンドは失敗します。
spark.createDataFrame(スループットレート、FloatType)
正しくない。かっこ内に ThroughputRates を渡すかどうかは問題ではないため、詳細については前の回答の説明を参照してください。
spark.DataFrame(スループットレート、FloatType)
間違い。Spark には SparkSession.DataFrame() メソッドはありません。
spark.createDataFrame(スループットレート)
間違い。スキーマ引数を回避すると、PySpark はスキーマを推測しようとします。ただし、ドキュメント (以下にリンク) でわかるように、推論は、データ (createDataFrame の最初の引数) に対して「Row、namedtuple、または dict のいずれかの RDD」を渡した場合にのみ機能します。しかし、Python リストを渡しているため、Spark のスキーマ推論は失敗します。
詳細: pyspark.sql.SparkSession.createDataFrame - PySpark 3.1.2 ドキュメント 静的ノートブック | 動的ノートブック: テスト 3 を参照