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 rol 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 usar cada enfoque
• Creación y configuración de SparkSession y comprensión de los fundamentos de la configuración de la aplicación

Módulo 2: PySpark DataFrames

• 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, uniones 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 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 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 estos
• 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 del aprovisionamiento del clúster, y por qué este límite es importante para la sintonización (tuning)
• Ejercicio práctico: Inspeccionar un trabajo de Spark-on-Kubernetes en ejecución en el clúster de arena y identificar los pods de driver y ejecutores

Módulo 4: Configuración de 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 al respecto
• Asignación de memoria del driver y de los ejecutores, 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 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 pocos grandes: compensaciones entre rendimiento y costo
• Comportamiento del shuffle y sintonización de particiones de shuffle, incluida la estimación del impacto en el costo de las elecciones 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 y particionamiento eficiente de datos

• Comprensión del problema de archivos pequeños: por qué las fuentes divididas en muchos archivos Parquet de 1–5 MB degradan el rendimiento y distorsionan el particionamiento
• Estrategias de reparticionamiento y coalescing (fusionado)
• Control de los tamaños de partición 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 Parquet pequeñas, 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 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 lotes (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 lotes y optimización de dtype

Módulo 8: Polars como herramienta complementaria

• Posicionamiento de Polars en relación con Pandas: características de rendimiento, evaluación perezosa (lazy evaluation) y comportamiento de memoria
• Comprensión de dónde encaja Polars junto a PySpark y Pandas en las pilas de datos modernas en la nube 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 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 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 sintonización para diagnosticar sistemáticamente problemas de costo 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 sintonizando la configuración de Spark ellos mismos