🛠️ Clase 4: Implementación de un Proyecto Analítico Completo

🛠️ Clase 4: Implementación de un Proyecto Analítico Completo#

En esta clase desarrollaremos un proyecto analítico a menor escala, integrando un “modelo” de estimacion de precios de predios con una API REST utilizando FastAPI, almacenamiento en PostgreSQL y orquestación con Docker. Además, se incluirá una interfaz de usuario desarrollada en Streamlit. El objetivo es demostrar el flujo de trabajo end-to-end de una aplicación de datos moderna y sentar las bases para una estructura modular que permita futuras extensiones.

Objetivos de la Sesión#

  • Implementar un “modelo” de estimacion de precios de predios.

  • Crear una API REST con FastAPI para exponer el modelo como servicio.

  • Configurar y utilizar PostgreSQL para almacenamiento persistente de datos y predicciones.

  • Desplegar la solución completa con Docker, facilitando la integración de todos los componentes.

  • Desarrollar una interfaz interactiva con Streamlit que permita la creación de usuarios y la realización de predicciones.

Componentes del Proyecto#

1. “Modelo” Analítico.#

  • Actualmente implementado como un modelo de “juguete” que devuelve números aleatorios.

2. API con FastAPI#

  • Diseño de endpoints para predicciones y usuarios.

  • Manejo modular de la lógica a través de servicios y routers.

  • Validación de datos con Pydantic y documentación automática con Swagger UI.

3. Base de Datos PostgreSQL#

  • Esquema básico para almacenar datos crudos y registros de predicción.

  • Conexión mediante sqlmodel y psycopg2 para gestionar la persistencia.

4. Orquestación con Docker#

  • Dockerfile para cada componente.

  • docker-compose.yml para la integración de servicios (API, PostgreSQL, Streamlit).

  • Configuración de variables de entorno y volúmenes para asegurar la correcta comunicación entre contenedores.

5. Interfaz de Usuario con Streamlit#

  • App interactiva para crear usuarios y realizar predicciones.

  • Comunicación con la API para demostrar la integración end-to-end.

Preparación del entorno y pruebas (35 min)#

  • Clonar el repositorio base.

  • Verificar el funcionamiento inicial del sistema, incluyendo la construccion y prueba de la imagen Docker.

  • Explorar la estructura de carpetas y archivos para familiarizarnos con la organización del proyecto.

Interacción con la API (60 min)#

  • Revision del codigo y su funcionamiento e implementacion, centrandonos en FastAPI y sqlmodel, comprendiendo cada componente implementado.

  • Revisión de los endpoints implementados en FastAPI.

  • Levantar los contenedores con docker-compose.

  • Comprobación de la correcta inicialización de PostgreSQL, API y Streamlit

  • Pruebas mediante Swagger UI y herramientas como curl.

Persistencia con PostgreSQL (20 min)#

  • Exploración del esquema de la base de datos.

  • Consultas y gestión de registros usando pandas y SQLAlchemy.

Reflexión Final#

Esta clase no solo muestra la implementación técnica de un proyecto analítico completo, sino que también sienta las bases para una estructura modular y escalable. La integración de estas piezas ("modelo" analítico, API, database, Docker y UI) permite desarrollar soluciones robustas que transforman datos en decisiones informadas.

Recursos y Referencias#

Para llevar más allá#

  • Piensa en implementar otros endpoints.

Contents