Procesamiento de datos eficiente en Kubernetes con PySpark, Pandas y Polars

Módulo 1: Fundamentos de Big Data y Spark

• Visión general del ecosistema de Big Data y el papel de Spark en las plataformas de datos modernas
• Comprensión de la arquitectura de Spark: driver, ejecutores, administrador de clúster, evaluación perezosa, DAG y planificación de ejecución
• Diferencias entre las APIs de RDD y DataFrame y cuándo usar cada enfoque
• Creación y configuración de SparkSession y comprensión de los fundamentos de la configuración de la aplicación

Módulo 2: PySpark DataFrames

• Lectura y escritura de datos desde fuentes y formatos empresariales: CSV, JSON, Parquet y Delta
• Trabajo con PySpark DataFrames: transformaciones, acciones, expresiones de columnas, filtrado, uniones (joins) y agregaciones
• Implementación de operaciones avanzadas como funciones de ventana, manejo de marcas de tiempo (timestamps) y trabajo con datos anidados
• Aplicación de controles de calidad de datos y escritura de código PySpark reutilizable y mantenible

Módulo 3: Fundamentos de Kubernetes y Docker para usuarios de Spark

• Comprensión de cómo las imágenes de Docker y los pods de Kubernetes se relacionan con los procesos driver y ejecutor de Spark: una visión conceptual para consumidores del clúster, no administradores
• Comprensión de lo que sucede cuando un trabajo de Spark se ejecuta en Kubernetes: programación de pods, solicitudes y límites de recursos, y cómo los parámetros de sesión se mapean a ellos
• Comprensión de lo que controla a través de los parámetros de sesión de Spark frente a lo que el equipo de plataforma controla a través del aprovisionamiento del clúster, y por qué esta frontera es importante para la optimización
• Ejercicio práctico: Inspeccionar un trabajo de Spark-en-Kubernetes en ejecución en el clúster de sandbox e identificar los pods de driver y ejecutores

Módulo 4: Configuración de sesión de Spark en Kubernetes — Profundización

• Comprensión del recuento de ejecutores frente al tamaño de ejecutor: compensaciones entre memoria y núcleos y cómo razonar sobre ellas
• Asignación de memoria para driver y ejecutor, sobrecarga de memoria y cómo estos se traducen en recursos de pods
• Asignación dinámica: cómo se comporta en Kubernetes, cuándo ahorra recursos y cuándo no
• Ejercicio práctico: Ejecutar el mismo trabajo con diferentes configuraciones de ejecutores y núcleos y comparar el tiempo de ejecución y el uso de recursos

Módulo 5: Comportamiento de escalabilidad y optimización de costos

• Comprensión de cómo agregar o eliminar nodos cambia el comportamiento del trabajo, el tiempo de finalización y el consumo de recursos
• Comparación de muchos ejecutores pequeños frente a pocos grandes: compensaciones entre rendimiento y costo
• Comportamiento de la operación shuffle y ajuste de particiones de shuffle, incluyendo la estimación del impacto en los costos de las decisiones de configuración
• Ejercicio práctico: Escalar el clúster de sandbox de cinco a diez nodos y observar el efecto en el tiempo de finalización del trabajo y el consumo de recursos

Módulo 6: Ingesta y particionado de datos eficientes

• Comprensión del problema de archivos pequeños: por qué las fuentes divididas en muchos archivos Parquet de 1–5 MB degradan el rendimiento y distorsionan el particionado
• Estrategias de re-particionado y coalescencia
• Control de los tamaños de partición en lectura y escritura
• Escritura eficiente de Parquet para evitar recrear el problema de archivos pequeños aguas abajo
• Ejercicio práctico: Cargar un conjunto de datos compuesto por muchas particiones Parquet pequeñas, aplicar diferentes estrategias de re-particionado y comparar el rendimiento antes y después de la optimización

Módulo 7: Gestión de memoria y diagnóstico de fallos en Pandas

• Comprensión de las causas raíz de los errores de falta de memoria en Pandas y reconocimiento de los síntomas
• Aplicación de patrones de conversión eficientes en memoria entre Spark y Pandas
• Evitar explosiones de memoria al escribir grandes conjuntos de datos en CSV
• Uso de procesamiento por bloques (chunking) y optimización de tipos de datos (dtype) para entornos restringidos
• Ejercicio práctico: Reproducir un escenario típico de falta de memoria en Pandas y resolverlo usando chunking y optimización de dtype

Módulo 8: Polars como herramienta complementaria

• Posicionamiento de Polars en relación con Pandas: características de rendimiento, evaluación perezosa y comportamiento de memoria
• Comprensión de dónde encaja Polars junto a PySpark y Pandas en los stacks de datos en la nube modernos y los caminos de migración, incluidos los entornos AWS
• Ejercicio práctico: Reescribir una transformación intensiva en Pandas en Polars y comparar el uso de memoria y la velocidad de procesamiento

Módulo 9: Aplicación de la optimización a cargas de trabajo ETL y ML

• Aplicación de principios de configuración, particionado y gestión de memoria en un pipeline ETL realista
• Comprensión de consideraciones de optimización específicas para cargas de trabajo de aprendizaje automático que se ejecutan en el mismo clúster
• Aplicación de un flujo de trabajo de ajuste práctico para diagnosticar problemas de costo y rendimiento de manera sistemática
• Ejercicio práctico: Completar un mini-proyecto de principio a fin que combine la carga de datos, la transformación y una etapa simple de entrenamiento de modelo, con los participantes ajustando la configuración de Spark ellos mismos