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 diferida (lazy evaluation), DAG y planificación de ejecución
• Diferencias entre las APIs de RDD y DataFrame y cuándo utilizar cada enfoque
• Creación y configuración de SparkSession y fundamentos de la configuración de aplicaciones

Módulo 2: DataFrames de PySpark

• Lectura y escritura de datos desde fuentes y formatos empresariales: CSV, JSON, Parquet y Delta
• Trabajo con DataFrames de PySpark: transformaciones, acciones, expresiones de columnas, filtrado, uniones (joins) y agregaciones
• Implementación de operaciones avanzadas como funciones de ventana, manejo de marcas de tiempo y trabajo con datos anidados
• Aplicación de verificaciones 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 de driver y ejecutor de Spark: una visión conceptual para consumidores del clúster, no para 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 sobre ellos
• Comprensión de lo que controla a través de los parámetros de sesión de Spark frente a lo que el equipo de plataforma controla mediante el aprovisionamiento del clúster: y por qué este límite es importante para el ajuste de rendimiento
• Ejercicio práctico: Inspeccionar un trabajo de Spark en Kubernetes en ejecución en el clúster de sandbox e identificar los pods de driver y ejecutor

Módulo 4: Configuración de sesión de Spark en Kubernetes: análisis en profundidad

• Comprensión del recuento de ejecutores frente al tamaño de los ejecutores: compensaciones entre memoria y núcleos y cómo razonar sobre ellos
• Asignación de memoria para driver y ejecutores, sobrecargo 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 escalado y optimización de costos

• Comprensión de cómo la adición o eliminación de nodos cambia el comportamiento del trabajo, el tiempo de finalización y el consumo de recursos
• Comparación de muchos ejecutores pequeños frente a menos ejecutores grandes: compensaciones de rendimiento y costo
• Comportamiento del 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 de datos eficiente y particionamiento

• Comprensión del problema de los archivos pequeños: por qué las fuentes divididas en muchos archivos Parquet de 1–5 MB degradan el rendimiento y distorsionan el particionamiento
• Estrategias de re-particionamiento (repartitioning) y coalescimiento (coalescing)
• Control de los tamaños de partición en la lectura y en la escritura
• Escribir Parquet de manera eficiente 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-particionamiento y comparar el rendimiento antes y después de la optimización

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

• Comprensión de las causas raíz de los errores de memoria insuficiente (out-of-memory) 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 lotes (chunked processing) y optimización de dtype para entornos limitados
• Ejercicio práctico: Reproducir un escenario típico de falta de memoria en Pandas y resolverlo utilizando procesamiento por lotes y optimización de dtype

Módulo 8: Polars como herramienta complementaria

• Posicionamiento de Polars frente a Pandas: características de rendimiento, evaluación diferida y comportamiento de memoria
• Comprensión de dónde encaja Polars junto con PySpark y Pandas en las pilas de datos en la nube modernas y las hojas de ruta de migración, incluyendo entornos de 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 de ML

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