Docker for Data Science

La reproducibilidad de los experimentos y la incompatibilidad entre entornos de desarrollo y servidores de producción son dos de los problemas más frecuentes en el análisis de datos. En este libro, Joshua Cook enseña a los profesionales de los datos a adoptar la contenedorización con Docker como estándar para construir infraestructuras de análisis portables, reproducibles y aisladas. La obra está dirigida a científicos de datos, analistas e investigadores que trabajan habitualmente con Python o R y entornos de Jupyter Notebook, y que desean incorporar buenas prácticas de infraestructura como código (IaC) sin necesidad de contar con un trasfondo avanzado en ingeniería de sistemas.

El temario aborda desde la arquitectura del motor Docker (contenedores, capas de imágenes, volúmenes y redes) hasta su integración directa en el flujo analítico. El autor profundiza en la creación y personalización de Dockerfiles para declarar dependencias de librerías; el aprovechamiento de las imágenes oficiales de la comunidad (Jupyter Stacks, como «jupyter/datascience-notebook»); la distribución y versionado de imágenes a través de Docker Hub; la incorporación de almacenes de datos relacionales y no relacionales en contenedores independientes (PostgreSQL, MongoDB y Redis); y la orquestación multicontenedor mediante Docker Compose, permitiendo que un servidor de Jupyter interactúe fluidamente con múltiples bases de datos mientras el código y los conjuntos de datos permanecen sincronizados con el sistema anfitrión.

En la parte práctica, el lector construye paso a paso una infraestructura interactiva modular que interconecta un servidor Jupyter Notebook personalizado con contenedores dedicados de PostgreSQL, MongoDB y Redis utilizando Docker Compose. La principal fortaleza de la obra reside en explicar Docker desde la mentalidad del científico de datos, eliminando la jerga innecesaria de sistemas y enfocándose en la reproducibilidad y el manejo de datos que exceden la memoria local. Deja fuera temas avanzados de orquestación a gran escala como Kubernetes o clústeres distribuidos con Apache Spark, centrándose de forma muy efectiva en el entorno de desarrollo del analista y de equipos de investigación.