Data Science with Python and Dask

Guía práctica de Jesse C. Daniel orientada a científicos de datos e ingenieros de software que necesitan procesar conjuntos de datos masivos en Python sin abandonar las interfaces y paradigmas habituales de pandas, NumPy y scikit-learn. El texto está pensado para un nivel intermedio: requiere experiencia previa sólida en Python y análisis de datos en memoria local, y aborda el problema crítico de los límites de memoria RAM (out-of-core) y los largos tiempos de cómputo en un solo núcleo mediante la biblioteca Dask.

A lo largo de los capítulos se exploran a fondo la computación distribuida basada en grafos acíclicos dirigidos (DAGs) y la evaluación perezosa (lazy evaluation) que gobiernan el planificador de Dask. Enseña a manipular colecciones de alto nivel como Dask DataFrames para datos estructurados (leyendo desde CSV, bases de datos relacionales, HDFS, S3 y formato Parquet), Dask Arrays para álgebra matricial distribuida y Dask Bags para información no estructurada o JSON. Además, cubre la aceleración de modelos predictivos y validación cruzada con Dask-ML, la generación de mapas de calor masivos con Datashader y Seaborn, y el control de flujos personalizados de bajo nivel con las interfaces Delayed y Futures.

El núcleo práctico del libro se apoya en un caso real a escala: el procesamiento, análisis y modelado de millones de registros del conjunto de datos de infracciones de estacionamiento de la ciudad de Nueva York (NYC Parking Tickets), culminando con el empaquetado y despliegue de clústeres distribuidos en Amazon Web Services (AWS) con Docker y el monitoreo mediante Dask Dashboard. Destaca por ofrecer una alternativa nativa y ligera en Python frente a ecosistemas pesados basados en Java/Spark, si bien no profundiza en streaming continuo ni en arquitecturas de deep learning distribuido. Es un recurso excelente antes de migrar infraestructuras analíticas a la nube.