🚀 Análisis de Rendimiento de Bases de Datos - Antes y Después de Mejoras

---

📌 Propósito

Este proyecto permite realizar un análisis comparativo del rendimiento de una base de datos PostgreSQL antes y después de implementar mejoras. Está diseñado para:

• Medir el impacto de las optimizaciones en consultas críticas
• Identificar cuellos de botella en el rendimiento
• Validar la efectividad de los cambios realizados
• Generar informes detallados para la toma de decisiones

📋 Resumen Técnico

El proyecto utiliza Python, psycopg2, pandas y matplotlib para:

1. Ejecutar consultas SQL almacenadas en archivos
2. Medir tiempos de ejecución y uso de recursos
3. Analizar índices utilizados en cada consulta
4. Generar informes comparativos con visualizaciones
5. Seguir tendencias de rendimiento a lo largo del tiempo

👉 El resultado es un informe detallado que cuantifica la mejora de rendimiento y proporciona información valiosa para optimizaciones futuras.

---

✨ Características Clave

🔍 Análisis de Consultas

• Ejecución de consultas SQL almacenadas en archivos
• Medición precisa de tiempos de ejecución
• Conteo de filas procesadas
• Identificación de índices utilizados

📈 Análisis Comparativo

• Comparación lado a lado de métricas antes/después
• Cálculo de porcentajes de mejora
• Generación de gráficos comparativos
• Seguimiento de tendencias temporales

📊 Reportes Avanzados

• Informe detallado en formato Markdown
• Gráficos de rendimiento comparativo
• Análisis de uso de índices
• Tendencias de rendimiento a lo largo del tiempo

🛠️ Facilidad de Uso

• Configuración centralizada
• Estructura de proyecto clara
• Código modular y documentado
• Fácil integración con flujos de trabajo existentes

---

📂 Estructura del Proyecto

Directorio de Salida (/output)

El directorio output/ contiene todos los resultados generados por las pruebas de rendimiento:

• before_results.csv: Resultados de las pruebas ejecutadas antes de las mejoras
• after_results.csv: Resultados después de implementar las optimizaciones
• historical_results.csv: Historial completo de todas las ejecuciones para análisis de tendencias
• performance_comparison.png: Gráfico comparativo visual de los resultados

Ejemplo de Gráfico de Comparación

Figura 1: Comparación visual del rendimiento antes y después de las mejoras

Cada vez que ejecutes las pruebas, estos archivos se actualizarán automáticamente, permitiéndote hacer un seguimiento del rendimiento a lo largo del tiempo.

/proyecto_db_performance
├── requirements.txt             # Dependencias de Python
├── scripts/
│   ├── config.py               # Configuración de conexión a la BD
│   ├── performance_test.py     # Script principal de medición
│   └── report_generator.py     # Generador de informes
├── queries/                    # Consultas SQL organizadas
│   ├── antes/                  # Consultas originales (antes de mejoras)
│   └── despues/                # Consultas optimizadas (después de mejoras)
├── data/
│   └── query_map.json          # Mapeo de consultas para comparativa
└── output/                     # Resultados e informes
    ├── before_results.csv      # Resultados iniciales
    ├── after_results.csv       # Resultados posteriores
    ├── historical_results.csv  # Historial de ejecuciones
    └── performance_comparison.png  # Gráfico comparativo

Descripción de Archivos Importantes

• scripts/performance_test.py:

  • Ejecuta las consultas SQL y mide su rendimiento
  • Registra métricas de tiempo, filas procesadas y uso de índices
  • Almacena resultados en archivos CSV

• scripts/report_generator.py:

  • Genera informes comparativos en formato Markdown
  • Crea visualizaciones de rendimiento
  • Analiza tendencias a lo largo del tiempo

• data/query_map.json:

  • Define las consultas a ejecutar y sus metadatos
  • Mapea consultas "antes" con sus equivalentes "después"

🚀 Guía de Uso Rápido

🔧 Requisitos Previos

• Python 3.8 o superior
• PostgreSQL 10 o superior
• Dependencias del proyecto: pip install -r requirements.txt

🔄 Flujo de Trabajo

1️⃣ Fase Inicial: Análisis de Línea Base

# Ejecutar pruebas en el estado actual (antes de mejoras)
python -m scripts.performance_test antes

2️⃣ Fase de Optimización

• Implementar mejoras en la base de datos
• Optimizar consultas, índices y configuración
• Documentar cambios realizados

3️⃣ Fase de Validación

# Ejecutar pruebas después de las mejoras
python -m scripts.performance_test despues

4️⃣ Generación de Informe

# Generar informe comparativo
python -m scripts.report_generator

📊 Interpretación de Resultados

Los archivos generados en el directorio output/ te permitirán analizar:

1. Resultados Detallados (before_results.csv y after_results.csv):

   • Tiempos de ejecución de cada consulta
   • Número de filas procesadas
   • Índices utilizados
   • Tendencias de rendimiento

2. Análisis Histórico (historical_results.csv):

   • Evolución del rendimiento a lo largo del tiempo
   • Identificación de patrones o regresiones
   • Comparativa entre múltiples ciclos de optimización

3. Visualización Gráfica (performance_comparison.png):

   • Comparación visual entre el estado inicial y el optimizado
   • Identificación rápida de mejoras o problemas
   • Gráfico generado automáticamente con cada ejecución

El informe generado incluirá:

• Comparación de tiempos de ejecución
• Análisis de uso de índices
• Tendencias de rendimiento
• Recomendaciones de optimización

🔄 Ejecuciones Posteriores

Cada vez que ejecutes las pruebas, los resultados se agregarán al historial, permitiendo:

• Seguimiento de tendencias a largo plazo
• Análisis del impacto de optimizaciones incrementales
• Identificación de regresiones de rendimiento