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

Módulo 1: Fundamentos de Big Data y Spark

• Resumen del ecosistema de Big Data y el papel de Spark en las plataformas de datos modernas
• Comprensión de la arquitectura de Spark: driver, executors, gestor de clúster, evaluación perezosa (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 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 PySpark DataFrames: transformaciones, acciones, expresiones de columnas, filtrado, 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 la relación entre las imágenes de Docker y los pods de Kubernetes con los procesos de driver y executor de Spark: una visión conceptual para consumidores del clúster, no administradores
• Comprensión de lo que sucede cuando una tarea de Spark se ejecuta en Kubernetes: programación de pods, solicitudes y límites de recursos, y cómo los ajustes 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 a través del aprovisionamiento del clúster, y por qué esta frontera es importante para el ajuste fino (tuning)
• Ejercicio práctico: Inspeccionar una tarea de Spark en Kubernetes en ejecución en el clúster de arena (sandbox) e identificar los pods de driver y executor

Módulo 4: Configuración de la sesión de Spark en Kubernetes: Análisis detallado

• Comprensión de la cantidad de executors frente al tamaño de los executors: compensaciones entre memoria y núcleos y cómo razonar sobre ellos
• Asignación de memoria para driver y executors, memoria adicional (overhead) 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 la misma tarea con diferentes configuraciones de executors 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 de la tarea, el tiempo de finalización y el consumo de recursos
• Comparación entre muchos executors pequeños frente a menos executors grandes: compensaciones entre rendimiento y costo
• Comportamiento del shuffle y ajuste de particiones de shuffle, incluida la estimación del impacto en costos de las decisiones de configuración
• Ejercicio práctico: Escalar el clúster de arena 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 y Particionado Eficiente de Datos

• Comprensión del problema de los archivos pequeños: por qué las fuentes divididas en muchos archivos Parquet de 1 a 5 MB degradan el rendimiento y distorsionan el particionado
• Estrategias de particionado (repartitioning) y combinación (coalescing)
• Control del tamaño de las particiones en la lectura y en la 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 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 lotes (chunked processing) y optimización de tipos de datos (dtype) para entornos con restricciones
• 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 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 las hojas de ruta de migración, incluidos los entornos de AWS
• Ejercicio práctico: Reescribir una transformación intensiva en Pandas usando Polars y comparar el uso de memoria y la velocidad de procesamiento

Módulo 9: Aplicación de la Optimización a Cargas de Trabajo de ETL y ML

• Aplicación de principios de configuración, particionado 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 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 por sí mismos