PySpark: De lo básico a los DataFrames

Este curso es el punto de partida para aprovechar el poder de la computación distribuida con PySpark, la biblioteca Python para Spark, y aprender a crear, implementar y administrar conjuntos de datos de gran tamaño. Al final del curso, usted será capaz de abordar con confianza las tareas comunes de ingeniería de datos y preparar los datos para el análisis a escala. Lo que aprenderás: - Comprender los conceptos básicos de la computación distribuida y la arquitectura Spark. - Procese y manipule datos estructurados de manera eficiente utilizando la API PySpark DataFrame. - Consulte sus datos con Spark SQL para un análisis potente y familiar. - Aplique transformaciones y acciones comunes para limpiar, agregar y unir conjuntos de datos. - Aprenda a leer y escribir en formatos de datos estándar como CSV, JSON y Parquet. - Estructure y ejecute sus primeras aplicaciones PySpark independientes. - Explore los conjuntos de datos distribuidos resilientes (RDD) fundamentales para comprender la mecánica central de Spark. El plan de estudios comienza con la terminología clave y los fundamentos del ecosistema de Spark, y a partir de ahí, avanzará a través de ejercicios prácticos escritos centrados en DataFrames y Spark SQL para desarrollar habilidades prácticas. Este curso está diseñado para principiantes con algo de experiencia en Python, no se requieren conocimientos previos de Spark o computación distribuida. Comience su viaje hacia el procesamiento de big data hoy mismo.