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 del clúster, evaluación perezosa (lazy evaluation), 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: 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 (timestamps) y trabajo con datos anidados
• Aplicación de comprobaciones 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 executor de Spark — una vista conceptual para consumidores del clúster, no administradores
• Comprensión de lo que ocurre cuando una tarea de Spark se ejecuta en Kubernetes: programación de pods, solicitudes y límites de recursos, y cómo las configuraciones de sesión se mapean en ellos
• Comprensión de lo que usted controla a través de los parámetros de la sesión de Spark frente a lo que el equipo de plataforma controla a través de la aprovisionamiento del clúster — y por qué este límite importa para el ajuste (tuning)
• Ejercicio práctico: Inspeccionar una tarea Spark-on-Kubernetes en ejecución en el clúster de sandbox e identificar los pods de driver y executor

Módulo 4: Configuración de la sesión de Spark en Kubernetes — Análisis a fondo

• Comprensión de la cantidad de ejecutores frente al tamaño de los ejecutores: compensaciones entre memoria y núcleos y cómo razonar sobre ellas
• Asignación de memoria para driver y ejecutores, sobrecarga de memoria y cómo estas se traducen en recursos del pod
• Asignación dinámica: cómo se comporta en Kubernetes, cuándo ahorra recursos y cuándo no
• Ejercicio práctico: Ejecutar la misma tarea 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 agregar o eliminar nodos cambia el comportamiento de la tarea, el tiempo de finalización y el consumo de recursos
• Comparación de muchos ejecutores pequeños frente a pocos grandes: compensaciones entre rendimiento y costo
• Comportamiento del shuffle y ajuste de particiones de shuffle, incluido el estimado del impacto en el costo 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 de la tarea 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 repartitioning y coalescing
• Control de los tamaños de partición en la lectura y en la escritura
• Escritura de 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 repartitioning y comparar el rendimiento antes y después de la optimización

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

• 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 lotes (chunked processing) y optimización de dtype para entornos restringidos
• Ejercicio práctico: Reproducir un escenario típico de falta de memoria en Pandas y resolverlo usando procesamiento por lotes 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 con PySpark y Pandas en las pilas de datos en la nube modernas y los mapas de ruta de migración, incluidos los 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 a través de 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 de ajuste práctico para diagnosticar sistemáticamente problemas de costo y rendimiento
• Ejercicio práctico: Completar un miniproyecto de extremo a extremo que combine carga de datos, transformación y un paso simple de entrenamiento de modelo, con los participantes ajustando la configuración de Spark ellos mismos