Tarea 7.

El objetivo de esta tarea es que los estudiantes comprendan cómo medir y comparar el rendimiento de dos bibliotecas populares para la manipulación de datos: Pandas y Dask. Se manejarán el .csv que se obtiene de la tarea de hdfs, realizarán operaciones básicas con ambas bibliotecas, y evaluarán el rendimiento en términos de tiempo de ejecución. Se debe de tomar en cuenta que el dataset deberá pasar por un proceso de limpieza antes de ejecutarse en esta práctica.

Instrucciones:

• Una vez se tenga el .csv de la tarea de hdfs proceder a realizar la limpieza correspondiente
• Instalar librerías necesarias para su ejecución
• Realizar una conclusión sobre el rendimiento de los recursos.

Se adjunta el archivo dask.yml para crear el entorno de manera más sencilla, en el nodo deben ejecutar:
- conda env create -f dask.yml

Ver Video Sesión 9. HDFS y DASK