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

Módulo 1: Fundamentos de Big Data y Spark

• Vista 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 (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 DataFrames de PySpark: transformaciones, acciones, expresiones de columnas, filtrado, uniones y agregaciones
• Implementación de operaciones avanzadas como funciones de ventana, manejo de marcas de tiempo y trabajo con datos anidados
• Aplicación de controles de calidad de datos y escritura de código de 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 ejecutores de Spark: una visión conceptual para consumidores del clúster, no para administradores
• Comprensión de lo que ocurre cuando un trabajo de Spark se ejecuta en Kubernetes: programación de pods, solicitudes y límites de recursos, y cómo los ajustes de la sesión se mapean en ellos
• Comprensión de lo que se controla a través de los parámetros de sesión de Spark en comparación con lo que el equipo de plataforma controla a través de la aprovisionamiento del clúster, y por qué este límite es importante para el ajuste
• Ejercicio práctico: Inspeccionar un trabajo de Spark en Kubernetes en ejecución en el clúster de arena e identificar los pods de driver y ejecutores

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

• 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 el driver y los ejecutores, la 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 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 unos pocos grandes: compensaciones entre rendimiento y costo
• Comportamiento del shuffle y ajuste de particiones de shuffle, incluido el estimar el impacto en el costo de las opciones de configuración
• Ejercicio práctico: Escalar el clúster de arena 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 y particionamiento eficiente

• 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 coalescencia (coalescing)
• Control del tamaño de las particiones al leer y al escribir
• 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 pequeñas de Parquet, aplicar diferentes estrategias de reparticionamiento 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 por falta de memoria en Pandas y reconocimiento de los síntomas
• Aplicación de patrones de conversión eficientes en memoria entre Spark y Pandas
• Evitar el desbordamiento de memoria al escribir grandes conjuntos de datos en CSV
• Uso del procesamiento por bloques (chunked processing) y la optimización de dtype para entornos restringidos
• Ejercicio práctico: Reproducir un escenario típico de falta de memoria en Pandas y resolverlo utilizando procesamiento por bloques 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 la memoria
• Comprensión de dónde encaja Polars junto a PySpark y Pandas en pilas de datos en la nube modernas y 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 optimización a cargas de trabajo de ETL y ML

• Aplicación de principios de configuración, particionamiento 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 práctico de ajuste para diagnosticar sistemáticamente problemas de costo y rendimiento
• Ejercicio práctico: Completar un mini proyecto de extremo a extremo que combina carga de datos, transformación y un paso simple de entrenamiento de modelo, con los participantes ajustando la configuración de Spark por sí mismos