Bases de datos NoSQL: lo que todo data scientist debe saber

Te ofrecemos una guía completa con todo lo que necesitas saber sobre las bases de datos NoSQL si trabajas con datos.

Ciencia de datos y bases de datos NoSQL

Ser data scientist no es solo crear modelos de machine learning, sino también saber procesar, analizar y comunicar mejor tus resultados a partir de datos en formatos muy distintos.

Durante años, las bases de datos SQL tradicionales fueron el único tipo utilizado. Sin embargo, con la enorme popularidad de internet a mediados de los 90 y la transformación digital, surgió con fuerza un nuevo tipo de datos: las bases de datos NoSQL. Aparecieron como respuesta a las limitaciones de las bases de datos relacionales tradicionales. 

Los data scientists y los machine learning engineers pueden usar bases de datos NoSQL para almacenar datos, metadatos de modelos, características y parámetros operativos. Por su parte, los data engineers pueden aprovecharlas para almacenar y recuperar datos ya depurados. 

En este artículo conceptual (sin código), primero sentaremos las bases de qué es una base de datos NoSQL y, después, veremos por qué son importantes. También compararemos SQL y NoSQL, y repasaremos usos y categorías de estas últimas. Para terminar, analizaremos las bases de datos NoSQL más populares para data scientists.

¿Qué son las bases de datos NoSQL?

NoSQL significa Not Only SQL (no solo SQL). Es decir, las bases de datos NoSQL no son relacionales porque pueden almacenar datos en formato no estructurado. El siguiente gráfico resume cinco características clave de las bases de datos NoSQL.

¿Por qué son importantes las bases de datos NoSQL?

Su popularidad en el sector se debe a ventajas como estas:

• Datos multimodales: más flexibles que las bases SQL tradicionales, ya que pueden almacenar datos estructurados (p. ej., de sensores), no estructurados (imágenes, vídeos, etc.) y semiestructurados (XML, JSON, etc.).
• Escalado sencillo: gracias a arquitecturas peer-to-peer, es fácil añadir varias máquinas.
• Disponibilidad global: permiten acceder simultáneamente a los mismos datos desde distintas máquinas y regiones geográficas, al estar la base de datos distribuida globalmente.
• Flexibilidad: se adaptan rápido a requisitos cambiantes, con actualizaciones frecuentes y nuevas funciones.

Bases de datos NoSQL vs. bases de datos SQL

¿Cuándo conviene usar bases de datos NoSQL?

En un entorno tan competitivo y en expansión, las empresas necesitan recopilar tantos datos como sea posible para cumplir sus objetivos. Recopilar es una cosa; almacenarlos en la infraestructura adecuada es otra. La dificultad radica en que los datos pueden ser de muchos tipos: imágenes, vídeos, texto, audio... Usar bases relacionales para todos esos formatos no siempre es la mejor decisión. Entonces, la pregunta es:

¿Cuándo usar NoSQL en lugar de SQL?

Valóralo en estos casos:

• Cambios constantes en los datos: cuando no sabes cómo crecerán tus sistemas o aplicaciones (nuevos tipos de datos, funciones, etc.).
• Gran volumen de datos: cuando tu negocio maneja datos masivos que crecerán con el tiempo.
• Consistencia no crítica: cuando la consistencia e integridad al 100% no son prioritarias. Por ejemplo, en una red social interna puede no importar que todo el mundo vea una publicación exactamente al mismo tiempo.
• Escalabilidad y coste: NoSQL ofrece mayor flexibilidad y ayuda a controlar costes a medida que cambian tus necesidades de datos.

4 tipos principales de bases de datos NoSQL

Las bases de datos NoSQL se agrupan en cuatro grandes categorías. Cada una tiene sus particularidades, así que elige la que mejor se ajuste a tu caso de uso: a continuación destacamos los principales ejemplos. Veremos su función, una lista no exhaustiva de ventajas y limitaciones, y casos de uso.

1. Bases de datos de documentos

Están diseñadas para almacenar y consultar documentos JSON, XML, BSON, etc. Cada documento es una fila o registro en formato clave-valor. Un documento guarda información sobre un objeto y sus datos relacionados. Por ejemplo, la siguiente base de datos contiene tres registros, cada uno con información de un estudiante. En el primer documento, firstname es la clave y Franck su valor.

Ventajas de las bases de datos de documentos

• Sin esquema fijo: no hay límites en formato y estructura del almacenamiento. Es especialmente útil cuando la base cambia con frecuencia.
• Actualizaciones sencillas: se puede añadir o eliminar información sin modificar el resto de campos del documento.
• Mejor rendimiento: toda la información de un documento está en el propio documento. No hace falta recurrir a datos externos, a diferencia de una relacional donde quizá debas consultar otras tablas.

Limitaciones de las bases de datos de documentos

• Problemas de consistencia: los documentos no tienen por qué estar relacionados entre sí y pueden tener campos distintos.
• Problemas de atomicidad: si hay que cambiar dos colecciones de documentos, necesitarás ejecutar una consulta separada por documento.

Cuándo usar bases de datos de documentos

• Recomendadas cuando tu esquema de datos cambiará con frecuencia en el futuro.

Aplicaciones de bases de datos de documentos

• Por su flexibilidad, son prácticas para perfiles de usuario en línea, donde cada persona puede tener información diferente. En ese caso, el perfil de cada usuario se guarda con solo sus atributos específicos.
• Útiles en gestión de contenidos, que exige almacenar eficazmente datos de múltiples fuentes para crear e incorporar nuevos tipos de contenido.

2. Bases de datos clave-valor

Son el tipo más simple de NoSQL. Cada elemento se guarda como un par clave-valor, como si fuera una tabla con dos columnas: una clave única y su valor. Los valores pueden ser de tipos simples (entero, cadena, coma flotante) o complejos (imagen, documento).

El siguiente ejemplo ilustra una base clave-valor con información de clientes donde la clave es su número de teléfono y el valor, sus compras mensuales.

Ventajas de las bases clave-valor

• Simplicidad: la estructura clave-valor es muy directa. La ausencia de tipos estrictos facilita su uso.
• Velocidad: el formato simple acelera las operaciones de lectura y escritura.

Limitaciones de las bases clave-valor

• No pueden filtrar por la columna de valor porque se devuelve el contenido completo almacenado ahí.
• Están optimizadas para una única clave y un único valor. Almacenar múltiples valores exigiría un parser.
• El valor se actualiza como un todo: hay que recuperar el dato completo, procesarlo y volver a guardarlo íntegro, lo que puede afectar al rendimiento si el procesamiento es costoso.

Cuándo usar bases clave-valor

• Ideales para aplicaciones con consultas simples basadas en clave.
• Útiles para almacenar temporalmente objetos sencillos, como caché.
• Recomendables cuando necesitas acceso a datos en tiempo real.

Aplicaciones

• Especialmente adecuadas para aplicaciones simples que requieren almacenamiento temporal de objetos sencillos, como sistemas de caché.

3. Bases de datos de columnas anchas

Como su nombre indica, almacenan datos como colecciones de columnas, donde cada columna se trata por separado. Su lógica se inspira en el artículo de Google Bigtable. Se usan sobre todo en cargas analíticas como business intelligence, data warehousing y gestión de relaciones con clientes.

Por ejemplo, podemos calcular rápidamente la edad media de clientes y el precio medio de productos aplicando AVG a cada columna.

4. Bases de datos de grafos/nodos

Sirven para almacenar, mapear y consultar relaciones entre nodos mediante aristas. Un nodo representa un elemento de datos (objeto o entidad) y puede tener aristas entrantes o salientes. Una arista representa la relación entre dos nodos y puede contener propiedades asociadas a los nodos que conecta.

«Zoumana estudia en Texas Tech University. Le gusta correr en el parque dentro de la universidad»

Ventajas de las bases de grafos/nodos

• Estructura ágil y flexible.
• Las relaciones entre nodos son explícitas y legibles para personas, por lo que resultan fáciles de entender.

Limitaciones de las bases de grafos/nodos

• No existe un lenguaje de consulta estandarizado; cada uno depende de la plataforma.
• Por lo anterior, puede ser más difícil encontrar soporte cuando surgen problemas.

Cuándo usar bases de grafos/nodos

• Cuando necesitas modelar relaciones entre elementos de datos y recuperarlas con rapidez.

Aplicaciones

• Detección de fraude sofisticada en transacciones financieras en tiempo real.
• Minería de datos en redes sociales. Por ejemplo, LinkedIn usa grafos para identificar quién sigue a quién y las relaciones entre usuarios y sus áreas de experiencia (p. ej., ML Engineer).
• Mapeo de redes: representan muy bien relaciones entre hardware y los servicios que soporta.

Las 7 mejores bases de datos NoSQL para data science

Ahora que ya conoces mejor NoSQL, veamos un listado de bases populares para proyectos de data science. Nos centramos solo en bases de datos NoSQL open source.

1. MongoDB

MongoDB es una base de datos de documentos open source que almacena datos en formato JSON. Es una de las más usadas y está pensada para alta disponibilidad y escalabilidad, con sharding automático y replicación integrada. Nuestro curso Introduction to MongoDB cubre el uso de MongoDB con Python y te ayuda a adquirir las habilidades para manipular y analizar datos con estructuras flexibles. Uber, LaunchDarkl, Delivery Hero y unas 4300 empresas usan MongoDB en su stack.

2. Cassandra 

Cassandra es también una base de datos de columnas amplia y open source. Distribuye los datos entre múltiples máquinas y vuelve a particionar automáticamente al añadir nuevas máquinas a tu infraestructura. Uber, Facebook, Netflix y otras 506 empresas la usan en su stack.

3. Elasticsearch

Al igual que MongoDB, Elasticsearch es una base de documentos y open source. Es una de las herramientas líderes para búsqueda y analítica, centrada en la escalabilidad y la velocidad. Uber, Shopify, Udemy y alrededor de 3760 empresas la emplean en su stack.

4. Neo4J

Neo4J es una base de datos de grafos open source. Se usa principalmente para trabajar con datos crecientes y sus relaciones. Se informa de que alrededor de 220 empresas la usan en su stack.

5. HBase

Base de datos distribuida y orientada a columnas. Ofrece capacidades equivalentes a BigTable de Google sobre Apache Hadoop. Según se informa, 81 empresas utilizan HBase en su stack.

6. CouchDB

CouchDB es otra base de documentos open source que almacena datos en formato JSON. Unas 84 empresas la usan en su stack.

7. OrientDB

También open source, OrientDB es multimodelo y soporta grafos, documentos, clave-valor y objetos. Solo 13 empresas, según se informa, la usan en su stack.

Conclusión

Hemos repasado los aspectos clave de las bases de datos NoSQL y cómo pueden impulsar tus proyectos de data science en entornos de crecimiento acelerado. Ahora tienes a tu alcance las opciones necesarias para implantar la base de datos adecuada a tu caso. Si aún dudas, es el momento de que tú y tu equipo aprovechéis todo su potencial. 

Para profundizar, nuestro curso sobre conceptos de NoSQL reforzará tu conocimiento de los cuatro tipos principales que hemos visto.