一位 ML 工程師必須處理儲存在中央 S3 儲存貯體中的數千個現有 CSV 檔案以及新的 CSV 上傳。所有 CSV 都共用相同的欄位配置，並包含一個必須查詢的交易日期欄位。哪種解決方案能以最少的操作負擔來實現此目標？

Amazon Athena 的 CREATE TABLE AS SELECT (CTAS) 語句允許您直接在 S3 上的現有資料上建立一個新的資料表，並在建立時應用分割或篩選，例如依交易日期。這能有效組織資料以進行後續查詢，並減少掃描的資料量，從而降低成本並提高效能，且操作負擔最小。 其他選項則涉及不必要的資料移動或更複雜的處理流程： S3 Object Lambda 適用於在讀取時轉換資料，而不是在查詢前對大量資料進行索引或分割。 AWS Glue for Apache Spark 任務雖然功能強大，但對於僅需查詢和分割的場景來說，其操作和成本負擔較高。 Amazon Kinesis Data Firehose 主要用於將串流資料傳輸到目的地，不適合處理現有的大量靜態檔案，且在 Firehose 中使用 Lambda 進行查詢會增加複雜性。