INTERMEDIO · 8 MÓDULOS · 64 LECCIONES

Python para data engineering

Convierte un script de datos en un paquete de Python que un equipo aceptaría revisar: instalable, con pruebas, con logs útiles, con reintentos y con transformaciones rápidas.

Es para ti si
Tus pipelines funcionan, pero no tienen pruebas, logs claros ni manejo de fallas.
Al terminar
Sabrás empaquetar con uv, probar con pytest, registrar en JSON y transformar datos con DuckDB y Polars en lugar de pandas.
Necesitas
Python intermedio y un pipeline escrito como script (el de la guía anterior). Todo corre local con uv.
  1. 01Packaging A Project With Uv8 LECCIONES
    1. Presentación de la guía: de un script que corres a un paquete que se instala
    2. Por qué un script no es lo mismo que un paquete
    3. uv y el toolchain moderno de Python
    4. pyproject.toml y el layout src/
    5. Convirtiendo el script de Kiosko en un paquete
    6. Imports, módulos y el archivo __init__
    7. Corriendo el paquete con uv run
    8. Mini-proyecto: el pipeline instalable de Kiosko
  2. 02Testing Pipelines With Pytest8 LECCIONES
    1. Presentación del módulo: de "funciona en mi máquina" a "una máquina lo confirma"
    2. Por qué los pipelines de datos necesitan tests
    3. Escribiendo tu primer test con pytest
    4. Fixtures y los datos fijos de prueba de Kiosko
    5. Testeando los pasos de extracción y transformación
    6. Parametrize y testeando la compuerta de calidad
    7. Arrange-Act-Assert y la organización de una suite que crece
    8. Mini-proyecto: la suite de tests de Kiosko
  3. 03Structured Logging For Pipelines8 LECCIONES
    1. Presentación del módulo: de print() a un registro que una máquina puede leer
    2. Por qué print() no escala
    3. El módulo logging de Python: niveles y handlers
    4. Logs en JSON, y por qué una máquina los puede leer
    5. Agregando contexto con structlog
    6. Logging de una corrida del pipeline, de principio a fin
    7. Qué se loguea y qué nunca se loguea
    8. Mini-proyecto: el registro estructurado de una corrida completa de Kiosko
  4. 04Error Handling And Retries8 LECCIONES
    1. Presentación del módulo: qué reintentar, qué poner en cuarentena
    2. Errores que conviene reintentar, y errores que nunca deberías reintentar
    3. Excepciones propias para un pipeline
    4. Reintentando con tenacity
    5. Backoff, jitter, y cuándo rendirse
    6. Cuarentena en vez de crash, revisitada
    7. Probando la lógica de reintento de forma determinista
    8. Mini-proyecto: el paso de carga resiliente de Kiosko
  5. 05Duckdb As The Daily Engine8 LECCIONES
    1. Presentación del módulo: DuckDB como motor de trabajo diario
    2. DuckDB más allá de la vista previa
    3. Consultando Parquet y CSV directamente con SQL
    4. La API relacional y la persistencia
    5. Reemplazando joins de Python con SQL
    6. DuckDB y el ecosistema de Polars y Arrow
    7. Probando transformaciones SQL con pytest
    8. Mini-proyecto: la capa de transformación DuckDB de Kiosko
  6. 06Polars Lazy And Eager8 LECCIONES
    1. Presentación del módulo: Polars, eager y lazy
    2. Por qué Polars desplazó a pandas en pipelines
    3. DataFrames eager: una primera mirada
    4. LazyFrames y el plan de consulta
    5. Expresiones, group_by y joins
    6. Escaneando Parquet y datos out-of-core
    7. Eligiendo DuckDB o Polars
    8. Mini-proyecto: la capa de transformación Polars de Kiosko
  7. 07Shipping The Package8 LECCIONES
    1. Presentación del módulo: el paquete que se entrega
    2. Un entry point de línea de comandos para el pipeline
    3. Configuración sin valores hardcodeados
    4. Cableando logging, reintentos y motores juntos
    5. Un test de integración para el pipeline completo
    6. Probando idempotencia con un test, no con una corrida manual
    7. Qué le pediría un revisor de código todavía
    8. Mini-proyecto: el paquete entregable de Kiosko
  8. 08Project Kioskos Production Pipeline8 LECCIONES
    1. Presentación del módulo: el capstone de Kiosko
    2. El brief: Kiosko necesita un pipeline que un equipo pueda tomar
    3. Ensamblando el paquete completo, de punta a punta
    4. Corriendo la suite completa de tests
    5. Corriendo el pipeline con logs estructurados
    6. DuckDB vs Polars vs el script original
    7. Qué le falta todavía a Kiosko
    8. Mini-proyecto: el primer paquete de producción de Kiosko
Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab