Datos, Visualización y Observabilidad · DAT-105

InfluxDB: series temporales y consultas

Modelar series temporales, escribir desde Python y consultar datos listos para visualizar.

Disponible Intermedio 7 módulos · 30 clases

Formato asíncrono Ingeniería / Industria, Desarrollo InfluxDB, Python

DATOS IOT INDUSTRIA40

Lo que aprenderás

Diseñar medidas, etiquetas y campos con criterios de cardinalidad y de consulta.
Escribir datos desde Python con el cliente oficial, por lotes y con manejo de errores.
Consultar filtrando por rango, agregando por ventana temporal y comparando series.
Configurar retención por cubo y tareas programadas de reducción de resolución.
Diagnosticar consultas lentas y medir el impacto real de la cardinalidad.
Exportar resultados a Pandas para análisis y servir las mismas consultas a Grafana.

Contenido del curso

7 módulos · 30 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Series temporales y su almacén 4 clases

Qué distingue a una base de series temporales
Cuándo no compensa usar una
Levantar InfluxDB y crear la organización
Cubos, credenciales y permisos

Módulo 2 · Modelo de datos 4 clases

Medida, etiquetas, campos y marca de tiempo
Etiqueta o campo: cómo decidir
Cardinalidad y su coste
Convenciones de nombrado

Módulo 3 · Escritura desde Python 5 clases

Cliente oficial y conexión
Escritura de puntos y escritura por lotes
Precisión de tiempo y zonas horarias
Errores, reintentos y escritura idempotente
Ingesta de un fichero histórico

Módulo 4 · Consultas 5 clases

Filtrar por rango, medida y etiqueta
Agregación por ventana temporal
Unir y comparar series
Huecos, valores ausentes y relleno
Consultas parametrizadas desde Python

Módulo 5 · Retención y mantenimiento 4 clases

Política de retención por cubo
Tareas de reducción de resolución
Copias de seguridad y restauración
Vigilar el crecimiento del almacenamiento

Módulo 6 · Rendimiento y diagnóstico 4 clases

Perfilar una consulta lenta
Efecto real de la cardinalidad
Buenas prácticas de escritura
Límites de la instancia y su ajuste

Módulo 7 · Caso práctico: histórico de sensores 4 clases

Modelado del conjunto de datos
Ingesta desde Python y comprobación
Consultas de análisis y exportación a Pandas
Panel de Grafana sobre las mismas consultas

Requisitos

Programación en Python a nivel básico: entornos virtuales, paquetes y estructuras de datos.
Nociones de datos de series temporales, por ejemplo de sensores o de métricas de sistema.
Entorno con Docker o acceso a una instancia de InfluxDB; se explica su preparación.

Descripción

Guardar mediciones en una base relacional funciona hasta que hay millones de filas y cualquier consulta por rango tarda demasiado. Las bases de series temporales resuelven ese caso concreto, pero exigen modelar los datos de otra forma. Aquí se aprende ese modelo antes de escribir un solo dato.

Se trabaja con InfluxDB desde los dos lados: escritura desde Python con el cliente oficial, por lotes y con manejo de errores, y consulta para responder preguntas reales de agregación por ventana, comparación entre series y detección de huecos. Se añaden retención y tareas de reducción de resolución.

El cierre conecta con lo que viene después: exportar a Pandas para un análisis reproducible y servir las mismas consultas a paneles de Grafana sin duplicar la lógica de cálculo. Es la base común de los cursos de supervisión industrial y de observabilidad, que dan por resuelto este almacén.

¿Para quién es este curso?

Perfiles de ingeniería que almacenan medidas de sensores y las consultan de forma manual.
Desarrolladores que construyen servicios con métricas propias que hay que conservar.
Analistas técnicos que necesitan históricos consultables para sus estudios.