Procesamiento de datos eficiente 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, 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 aplicaciones

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 verificaciones 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 executor 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 la configuración de la sesión se mapea sobre ellos
• Comprensión de lo que controla a través de los parámetros de sesión de Spark versus lo que el equipo de plataforma controla a través de la aprovisionamiento del clúster — y por qué este límite es importante para el ajuste (tuning)
• Ejercicio práctico: Inspeccionar un trabajo Spark-on-Kubernetes en ejecución en el clúster de sandbox e identificar los pods de driver y ejecutor

Módulo 4: Configuración de la Sesión de Spark en Kubernetes — Análisis Profundo

• Comprensión de la cantidad de ejecutores versus el tamaño del ejecutor: compensaciones entre memoria y núcleos y cómo razonar al respecto
• Asignación de memoria para driver y ejecutores, memoria de sobrecarga (overhead) y cómo estas se traducen en recursos de pod
• Asignación dinámica: cómo se comporta en Kubernetes, cuándo ahorra recursos y cuándo no
• Ejercicio práctico: Ejecutar el mismo trabajo bajo diferentes configuraciones de ejecutores 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 del trabajo, el tiempo de finalización y el consumo de recursos
• Comparación de muchos ejecutores pequeños versus una cantidad menor de ejecutores grandes: compensaciones entre rendimiento y costo
• Comportamiento del shuffle y ajuste de particiones de shuffle, incluyendo la estimación del impacto en costos 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 del trabajo 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 re-particionamiento (repartitioning) y coalescencia (coalescing)
• Control de los tamaños de partición al leer y al escribir
• 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 re-particionamiento y comparar el rendimiento antes y después de la optimización

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

• 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 (chunking) y optimización de tipos de datos (dtype) para entornos restringidos
• Ejercicio práctico: Reproducir un escenario típico de agotamiento de memoria en Pandas y resolverlo utilizando bloques y optimización de tipos de datos

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 con PySpark y Pandas en las pila de datos en la nube modernas y en las rutas de migración, incluyendo entornos AWS
• Ejercicio práctico: Reescribir una transformación intensiva en Pandas utilizando 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 los principios de configuración, particionamiento y gestión de memoria a lo largo de una tubería 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 (tuning) para diagnosticar sistemáticamente problemas de costo y rendimiento
• Ejercicio práctico: Completar un miniproyecto 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 ellos mismos