Procesamiento eficiente de datos 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, 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 en 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 controles de calidad de datos y escritura de código reutilizable y mantenible en PySpark

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 vista conceptual para consumidores del clúster, no 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 sesión se mapean sobre ellos
• Comprensión de lo que controlas a través de los parámetros de sesión de Spark frente a lo que el equipo de plataforma controla mediante la aprovisionamiento del clúster: y por qué este límite es importante para el ajuste (tuning)
• Ejercicio práctico: Inspeccionar un trabajo de Spark-on-Kubernetes en ejecución en el clúster de arena (sandbox) e identificar los pods de driver y ejecutores

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

• Comprensión de la cantidad de ejecutores frente al tamaño de los ejecutores: compensaciones entre memoria y núcleos y cómo razonar al respecto
• Asignación de memoria para driver y ejecutores, sobrecarga de memoria (memory overhead) y cómo estas 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 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 unos pocos grandes: compensaciones entre rendimiento y costos
• Comportamiento de shuffle y ajuste de particiones de shuffle, incluyendo la estimación del impacto en costos 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 Eficientes

• 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 coalescing
• Control de los tamaños de partición 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 re-particionamiento y comparar el rendimiento antes y después de la optimización

Módulo 7: Gestión de Memoria y Diagnóstico de Fallas en Pandas

• Comprensión de las causas raíz de los errores de agotamiento 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 (chunked processing) y optimización de dtype para entornos restringidos
• Ejercicio práctico: Reproducir un escenario típico de agotamiento 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 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, incluyendo entornos de AWS
• Ejercicio práctico: Reescribir una transformación intensiva en Pandas con 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, particionamiento y gestión de memoria a través de un pipeline de 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 sistemáticamente problemas de costos y rendimiento
• Ejercicio práctico: Completar un mini proyecto de extremo a extremo que combine la carga de datos, la transformación y un paso simple de entrenamiento de modelo, con los participantes ajustando la configuración de Spark por su cuenta