El notebook presente en este repositorio está destinado a procesar datos vinculados a los subtes de la Ciudad de Buenos Aires, específicamente sobre la cantidad de pasajeros por molinete de todas las estaciones de la red de Subte. Los datasets se encuentran disponible aquí
En el sitio Buenos Aires Data se encuentra una gran variedad de datos abiertos.
Se trabaja de manera local con una imagen de docker que incluye todo lo necesario para trabajar con PySpark
Dicha docker image está disponible aquí
El proceso consistió en extraer varios archivos csv, remover y modificar columnas y, finalmente, cargar los datos modificados a una base de datos PostgreSQL