Preguntas de entrevista de Data Engineer con SQL y Python (40+)

Las más frecuentes son window functions (RANK, DENSE_RANK, ROW_NUMBER), CTEs, GROUP BY vs PARTITION BY, JOINs con casos de borde, optimización de queries con EXPLAIN, y diseño de esquemas analíticos (star schema, SCD Tipo 2). Los entrevistadores buscan que entiendas los trade-offs, no solo la sintaxis.

Generadores vs listas (memoria para archivos grandes), decoradores, vectorización en Pandas, context managers para conexiones de base de datos, manejo de JSON anidado, paginación de APIs, y testing de transformaciones. El foco está en código que funciona en producción con datos reales.

ETL transforma datos antes de cargarlos al warehouse; ELT los carga crudos y transforma en el destino con SQL (herramientas como dbt). ELT es el patrón dominante hoy porque el cómputo en warehouses modernos como Snowflake y BigQuery es barato y las transformaciones SQL son más fáciles de versionar y testear.

Con chunks en Pandas: `pd.read_csv('file.csv', chunksize=100_000)` procesa el archivo en bloques. Para datasets muy grandes, Polars o Spark son más eficientes. La clave es nunca cargar todo en memoria: procesá un chunk, agregá el resultado parcial, y seguí con el siguiente.

Un pipeline idempotente produce el mismo resultado sin importar cuántas veces se ejecute sobre los mismos datos. Importa porque los pipelines fallan y se reinician. Implementarlo requiere usar UPSERT en lugar de INSERT, limpiar la partición antes de reprocesarla, o usar MERGE para actualizar o insertar según corresponda.

El stack más pedido en 2026: SQL avanzado (window functions, CTEs), Python con Pandas/Polars, Apache Spark para procesamiento distribuido, Apache Airflow para orquestación, dbt para transformaciones, y algún cloud warehouse (Snowflake, BigQuery, Redshift). Kafka aparece en roles con componente de streaming.