専用クラスター内のイベント ハブを除き、イベント ハブの作成後にそのパーティション数を変更することはできません。
参照：
https://docs.microsoft.com/en-us/azure/event-hubs/event-hubs-features

1 - abfs の場所を使用する外部データ ソースを作成する
2 - 外部ファイル形式を作成し、First_Row オプションを設定します。
3 - CREATE EXTERNAL TABLE AS SELECT (CETAS) を使用し、拒否オプションを構成して拒否値またはパーセンテージを指定します。
https://docs.microsoft.com/en-us/sql/relational-databases/polybase/polybase-t-sql-objects
https://docs.microsoft.com/en-us/sql/t-sql/statements/create-external-table-as-select-transact-sql

説明
Web で見つけた情報によると、パーティション化されていないテーブルでのクエリと結合の実行にかかる時間を最小限に抑えるために、ソリューションに含める必要がある 2 つのオプションは次のとおりです。
Z オーダー: これは、関連する情報を同じファイル セットに同じ場所に配置する手法です。この共局性は、Delta Lake のデータスキップ アルゴリズムで自動的に使用されます。この動作により、Azure Databricks 上の Delta Lake が読み取る必要があるデータの量が大幅に削減されます123。
Apache Spark キャッシュ: これは、アクセスを高速化するためにデータをメモリまたはディスクにキャッシュできる機能です。キャッシュにより、同じデータに対する繰り返しのクエリと結合のパフォーマンスが向上します。CACHE TABLE または CACHE LAZY コマンドを使用して、デルタ テーブルをキャッシュできます。
Azure Databricks の Delta Lake で、パーティション化されていないテーブルに対するクエリとパーティション化されていない列の結合を実行するのにかかる時間を最小限に抑えるには、ソリューションに次のオプションを含める必要があります。
A: Z-Ordering: Z-Ordering は、同じ物理パーティション内で同じ列値を共有するデータを同じ場所に配置することにより、クエリのパフォーマンスを向上させます。これにより、クエリの実行中にノード間でデータをシャッフルする必要性が軽減されます。Z オーダーを使用すると、テーブル全体のスキャンを回避し、処理されるデータ量を減らすことができます。
B: Apache Spark キャッシュ: データをメモリにキャッシュすると、ディスクから読み取られるデータの量が減り、クエリのパフォーマンスが向上します。これは、同じデータにアクセスする必要がある後続のクエリを高速化するのに役立ちます。テーブルをキャッシュすると、データがデータ ソースから読み取られてメモリに保存されます。後続のクエリではメモリからデータを読み取ることができるため、ディスクから読み取るよりもはるかに高速です。
参考文献:
Databricks のデルタ レイク: https://docs.databricks.com/delta/index.html
デルタレイクのベストプラクティス
Databricks: https://databricks.com/blog/2020/05/14/best-practices-for-delta-lake-on-databricks.html

説明

ステップ 1: SalesFact と同じスキーマを持つ SalesFact_work という名前の空のテーブルを作成します。
ステップ 2: 古いデータを含むパーティションを SalesFact から SalesFact_Work に切り替えます。
SQL Data Warehouse は、パーティションの分割、結合、切り替えをサポートしています。2 つのテーブル間でパーティションを切り替えるには、パーティションがそれぞれの境界に位置合わせされていること、およびテーブル定義が一致していることを確認する必要があります。
パーティション切り替えを使用してデータをパーティションにロードすることは、新しいデータの切り替えがユーザーに見えないテーブルに新しいデータをステージングする便利な方法です。
ステップ 3: SalesFact_Work テーブルを削除します。
参照：
https://docs.microsoft.com/en-us/azure/sql-data-warehouse/sql-data-warehouse-tables-partition

説明
サービス更新中の Stream Analytics ジョブの信頼性を保証する
フルマネージド サービスであることの一部として、新しいサービス機能と改善を急速に導入できることが挙げられます。その結果、Stream Analytics ではサービス更新を毎週 (またはそれ以上の頻度) でデプロイできます。どれだけテストを行っても、バグの混入により既存の実行中のジョブが中断されるリスクが依然としてあります。ミッションクリティカルなジョブを実行している場合は、これらのリスクを回避する必要があります。Azure のペア リージョン モデルに従うことで、このリスクを軽減できます。
シナリオ: アプリケーション開発チームは、店舗番号、日付、時刻、製品 ID、顧客ロイヤルティ番号、価格、割引額などのリアルタイム販売データを販売時点管理 (POS) システムから受信するための Azure イベント ハブを作成します。そして、データを Azure Reference のデータ ストレージに出力します。
https://docs.microsoft.com/en-us/azure/stream-analytics/stream-analytics-job-reliability