Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-12 10:13 UTC

Nixtla / mlforecast

Scalable machine 🤖 learning for time series forecasting.

PythonApache-2.0★ 1.277 Sterne⑂ 132 Forksseit Apr. 2021Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#forecast#forecasting#machine-learning#lightgbm#xgboost#dask#python#time-series

Nixtla/mlforecast erreicht einen Gesundheitsindex von 96 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Vitality (92/100) ab, am schwächsten bei Security (74/100). Zuletzt vor 1 Tag aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

96
gesamt / 100
Außergewöhnlich

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

96
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 84 wird auf der veröffentlichten Indexskala auf 96 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

NixtlaOrganisation · verifizierte Domain
2.849 Follower41 öffentliche Reposseit März 2021

Dieses Repository wird von einer Organisation getragen — geteilte, rechenschaftspflichtige Trägerschaft, die jeden einzelnen Maintainer überdauern kann.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPImlforecast1.1.0381.37658vor 64 Tagenpythonforecastforecastingmachine-learningdask

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

92Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

92Exzellent
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 1 Tagen
28.4/36Commit-Rhythmus — 41/52 Wochen mit Commits
18/18Commit-Volumen — 152 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 8 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year152
human_commit_share0,51
days_since_last_push1
active_weeks_last_year41

Release-Disziplin

92Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 44 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 64 Tagen
19.8/27Release-Rhythmus — ein Release etwa alle 67,6 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count44
latest_release_tagv1.1.0
releases_from_tagsnein
days_since_latest_release64
mean_days_between_releases67,6
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

85Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

73Gut
Wie die Bewertung erfolgt
50.4/60Stars — 1.277 Stars
17.6/25Forks — 132 Forks
5/15Watcher — 9 Watcher
Verwendete Eingangsdaten
forks132
stars1.277
watchers9
growth_stateorganic
growth_factor_pct100

Community-Gesundheit

92Exzellent
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (Apache-2.0)
18/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges7
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesgithub.com, shields.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

93Außergewöhnlich
Wie die Bewertung erfolgt
74.4/80Downloads pro Monat — 381.376 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesmlforecast
dependents—
ecosystemspypi
total_downloads—
monthly_downloads381.376
unverified_packages_excluded—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Abhängige in der Registry. Die verbleibenden Gewichte wurden renormalisiert.

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

78Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

40Schwach
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
7.2/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 68 % der Commits
13.5/13.5Breite der Beitragenden — 27 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 6 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor1
contributors_sampled27
top_contributor_share0,679

Reaktionsfähigkeit bei Issues & PRs

88Exzellent
Wie die Bewertung erfolgt
40/42Issue-Lösungsquote — 95 % der Issues geschlossen
26.5/30PR-Annahme — 389/440 entschiedene PRs gemergt
6.5/13Newcomer PR acceptance — 1/2 PRs von Erstbeitragenden in 30 Tagen gemergt
15/15OpenSSF Scorecard: Code-Review — all changesets reviewed
Verwendete Eingangsdaten
merged_prs389
open_issues10
closed_issues203
prs_merged_7d4
prs_decided_7d4
prs_merged_30d7
prs_decided_30d12
issue_closed_ratio0,953
closed_unmerged_prs51
first_time_authors_30d2
first_time_prs_merged_30d1
first_time_prs_decided_30d2

Eigentümerschaft & Trägerschaft

98Außergewöhnlich
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
20/20Verifizierte Domain
24.8/25Reichweite des Inhabers — 2.849 Follower von Nixtla
22.9/25Kontohistorie — 41 öffentliche Repos, Kontoalter ca. 5 Jahre
Verwendete Eingangsdaten
followers2.849
owner_typeOrganization
is_verifiedja
owner_loginNixtla
public_repos41
account_age_days2.019

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 64 Tagen
20/20Versionshistorie — 58 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesmlforecast
ecosystemspypi
any_deprecatednein
min_days_since_publish64

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

92Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

94Außergewöhnlich
Wie die Bewertung erfolgt
24/24CI-Workflows — 10 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — pyproject.toml ([tool.ruff])
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 30 out of 30 merged PRs checked by a CI test -- score normalized to 10
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://nixtlaverse.nixtla.io/mlforecast
10/10Repository-Beschreibung
10/10Topics — 8 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsforecast, forecasting, machine-learning, lightgbm, xgboost, dask, python, time-series
has_wikinein
homepagehttps://nixtlaverse.nixtla.io/mlforecast
docs_sitehttps://nixtlaverse.nixtla.io/mlforecast
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

74Gut · 16 % des Gesamtindex

Sicherheitslage

67Gut
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
3.8/7.5Branch-Protection — branch protection is not maximal on development and all release branches
2.5/2.5CI-Tests — 30 out of 30 merged PRs checked by a CI test -- score normalized to 10
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
7.5/7.5Code-Review — all changesets reviewed
2.5/2.5Contributors — project has 6 contributing companies or organizations
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 8 issue activity found in the last 90 days -- score normalized to 10
0/5Packaging — keine Daten
2/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 4
4.5/5SAST — SAST tool is not run on all commits -- score normalized to 9
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — keine Daten
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
3.8/7.5Vulnerabilities — 5 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate6,6
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Packaging, Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

100Außergewöhnlich
Wie die Bewertung erfolgt
35/35Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories0
affected_packages0
assessed_packages24
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:mlforecast@1.1.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 24 Paketen. Erreichbarkeit wird nicht analysiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

78Gut · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

55Mittel
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
15/15Maschinenlesbare Doku (llms.txt) — llms.txt wird von der Projektwebsite ausgeliefert (https://nixtlaverse.nixtla.io/llms.txt)
40/40Lesbare Commit-Historie — 44 von 51 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_urlhttps://nixtlaverse.nixtla.io/llms.txt
legible_history_share0,863
agent_instruction_files—
agent_instruction_max_bytes—

AI-Verify-Loop (Build / Test / Typprüfung)

88Exzellent
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — pyproject.toml ([tool.ruff])
11/11Statische Typprüfung — mlforecast/py.typed
10/10Reproduzierbare Umgebung — lockfile
4/10Belegte Agentenpraxis — 2 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 49 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
4/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 4
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfilenein
typed_languagenein
bootstrap_filesMakefile
has_devcontainernein
has_linter_configja
typecheck_configsmlforecast/py.typed
agent_commit_share0,02
toolchain_manifests—
dependency_bot_commit_share0,49

AI-Code-Lesbarkeit für Modelle

78Gut
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (mlforecast/py.typed)
50.5/55Handhabbare Dateigrößen — 6/73 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes178.001
source_files_sampled73
oversized_source_files6

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
0/20MCP-Server — für diese Art von Software nicht anwendbar
40/40Lauffähige Beispiele — notebooks
Verwendete Eingangsdaten
example_dirsnotebooks
has_mcp_signalnein
api_schema_files—
interfaces_expected_of—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto), MCP-Server. Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

1.277GitHub-Sterne
27Mitwirkende
152Commits, letzte 12 Monate
1Tage seit letztem Push
44Releases
1Bus-Faktor
10offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • Star history carried forward from 2026-07-17: GitHub restricted the stargazers API to repository admins, so it can no longer be collected. The repository has 1277 stars today.

Weitere Details

Stern- und Fork-Verlauf 1.254 ★ / 132 ⇿
1.254Sterne
132Forks
44Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

Es wird nur die jüngste Historie angezeigt — dieses Repository überschreitet das Erfassungsfenster, sodass die früheste Historie nicht erfasst wird.

Die Sternehistorie wird mit dem Stand vom 2026-07-17 gezeigt. GitHub hat die Stargazers-API im Juli 2026 auf Repository-Administratoren beschränkt, diese Reihe lässt sich daher nicht mehr fortschreiben; die Gesamtzahl der Sterne oben bleibt aktuell.

02505007501.0001.2501.5001.254132162021-062024-012026-09
Major 1Minor 14Patch 29

Jeder Punkt umfasst 5 Tage.

OpenSSF Scorecard 6.6 / 10
6.6Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-09-12 10:12 UTC

10Binary-Artifactsno binaries found in the repo
5Branch-Protectionbranch protection is not maximal on development and all release branches
10CI-Tests30 out of 30 merged PRs checked by a CI test -- score normalized to 10
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
10Code-Reviewall changesets reviewed
10Contributorsproject has 6 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained30 commit(s) and 8 issue activity found in the last 90 days -- score normalized to 10
k. A.Packagingpackaging workflow not detected
4Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 4
9SASTSAST tool is not run on all commits -- score normalized to 9
0Security-Policysecurity policy file not detected
k. A.Signed-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
5Vulnerabilities5 existing vulnerabilities detected
Direkte Abhängigkeiten 8
RegistryPaketVersionsvorgabeManifest
PyPIcloudpickle—pyproject.toml
PyPIcoreforecast>=0.0.15pyproject.toml
PyPIfsspec—pyproject.toml
PyPInarwhals—pyproject.toml
PyPIoptuna—pyproject.toml
PyPIpandas<3.0pyproject.toml
PyPIscikit-learn—pyproject.toml
PyPIutilsforecast>=0.2.9pyproject.toml
Alle Abhängigkeiten 221

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 9 direkte und 212 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIcloudpickle3.1.2direkt
PyPIcoreforecast0.0.18direkt
PyPIfsspec2026.1.0direkt
PyPInarwhals2.15.0direkt
PyPIoptuna4.7.0direkt
PyPIpandas2.3.3direkt
PyPIscikit-learn1.7.2direkt
PyPIscikit-learn1.8.0direkt
PyPIutilsforecast0.2.15direkt
PyPIadagio0.2.6indirekt
PyPIadlfs2025.8.0indirekt
PyPIaiobotocore3.1.1indirekt
PyPIaiohappyeyeballs2.6.1indirekt
PyPIaiohttp3.14.3indirekt
PyPIaioitertools0.13.0indirekt
PyPIaiosignal1.4.0indirekt
PyPIalembic1.18.1indirekt
PyPIannotated-doc0.0.4indirekt
PyPIannotated-types0.7.0indirekt
PyPIanyio4.12.1indirekt
PyPIasync-timeout5.0.1indirekt
PyPIattrs25.4.0indirekt
PyPIazure-core1.38.0indirekt
PyPIazure-datalake-store0.0.53indirekt
PyPIazure-identity1.25.1indirekt
PyPIazure-storage-blob12.28.0indirekt
PyPIblinker1.9.0indirekt
PyPIbokeh3.8.2indirekt
PyPIbotocore1.42.30indirekt
PyPIcachetools6.2.4indirekt
PyPIcatboost1.2.10indirekt
PyPIcertifi2026.1.4indirekt
PyPIcffi2.0.0indirekt
PyPIcfgv3.5.0indirekt
PyPIcharset-normalizer3.4.4indirekt
PyPIclick8.3.1indirekt
PyPIcolorama0.4.6indirekt
PyPIcolorlog6.10.1indirekt
PyPIcontourpy1.3.2indirekt
PyPIcontourpy1.3.3indirekt
PyPIconvertdate2.4.0indirekt
PyPIcoverage7.13.1indirekt
PyPIcryptography48.0.1indirekt
PyPIcycler0.12.1indirekt
PyPIdask2026.1.1indirekt
PyPIdatabricks-sdk0.80.0indirekt
PyPIdatasetsforecast1.0.1indirekt
PyPIdecorator5.2.1indirekt
PyPIdistlib0.4.0indirekt
PyPIdistributed2026.1.1indirekt
PyPIdocker7.1.0indirekt
PyPIduckdb1.4.3indirekt
PyPIexceptiongroup1.3.1indirekt
PyPIexecnet2.1.2indirekt
PyPIfastapi0.136.3indirekt
PyPIfilelock3.20.3indirekt
PyPIflask3.1.3indirekt
PyPIflask-cors6.0.2indirekt
PyPIfonttools4.61.1indirekt
PyPIfrozenlist1.8.0indirekt
PyPIfugue0.9.4indirekt
PyPIgcsfs2026.1.0indirekt
PyPIgitdb4.0.12indirekt
PyPIgitpython3.1.59indirekt
PyPIgoogle-api-core2.29.0indirekt
PyPIgoogle-auth2.47.0indirekt
PyPIgoogle-auth-oauthlib1.2.4indirekt
PyPIgoogle-cloud-core2.5.0indirekt
PyPIgoogle-cloud-storage3.8.0indirekt
PyPIgoogle-cloud-storage-control1.9.0indirekt
PyPIgoogle-crc32c1.8.0indirekt
PyPIgoogle-resumable-media2.8.0indirekt
PyPIgoogleapis-common-protos1.72.0indirekt
PyPIgraphene3.4.3indirekt
PyPIgraphql-core3.2.7indirekt
PyPIgraphql-relay3.2.0indirekt
PyPIgraphviz0.21indirekt
PyPIgreenlet3.3.0indirekt
PyPIgriffe2md1.5.0indirekt
PyPIgriffelib2.0.0indirekt
PyPIgrpc-google-iam-v10.14.3indirekt
PyPIgrpcio1.76.0indirekt
PyPIgrpcio-status1.76.0indirekt
PyPIgunicorn23.0.0indirekt
PyPIh110.16.0indirekt
PyPIhijri-converter2.3.2.post1indirekt
PyPIhijridate2.3.0indirekt
PyPIholidays0.20indirekt
PyPIhuey2.6.0indirekt
PyPIidentify2.6.16indirekt
PyPIidna3.15indirekt
PyPIimportlib-metadata8.7.1indirekt
PyPIiniconfig2.3.0indirekt
PyPIisodate0.7.2indirekt
PyPIitsdangerous2.2.0indirekt
PyPIjinja23.1.6indirekt
PyPIjmespath1.1.0indirekt
PyPIjoblib1.5.3indirekt
PyPIjsonschema4.26.0indirekt
PyPIjsonschema-specifications2025.9.1indirekt
PyPIkiwisolver1.4.9indirekt
PyPIkorean-lunar-calendar0.3.1indirekt
PyPIlibrt0.7.8indirekt
PyPIlightgbm4.6.0indirekt
PyPIlocket1.0.0indirekt
PyPIlz44.4.5indirekt
PyPImako1.3.12indirekt
PyPImarkdown-it-py4.0.0indirekt
PyPImarkupsafe3.0.3indirekt
PyPImatplotlib3.10.8indirekt
PyPImdformat1.0.0indirekt
PyPImdurl0.1.2indirekt
PyPImkdocstrings-parser0.0.1indirekt
PyPImlflow3.15.0indirekt
PyPImlflow-skinny3.15.0indirekt
PyPImlflow-tracing3.15.0indirekt
PyPImlforecast1.1.0indirekt
PyPImsal1.34.0indirekt
PyPImsal-extensions1.3.1indirekt
PyPImsgpack1.2.1indirekt
PyPImultidict6.7.0indirekt
PyPImypy1.19.1indirekt
PyPImypy-extensions1.1.0indirekt
PyPInodeenv1.10.0indirekt
PyPInumpy2.2.6indirekt
PyPInumpy2.4.1indirekt
PyPInvidia-nccl-cu122.31.2indirekt
PyPInvidia-nccl-cu132.31.2indirekt
PyPIoauthlib3.3.1indirekt
PyPIopentelemetry-api1.39.1indirekt
PyPIopentelemetry-proto1.39.1indirekt
PyPIopentelemetry-sdk1.39.1indirekt
PyPIopentelemetry-semantic-conventions0.60b1indirekt
PyPIpackaging25.0indirekt
PyPIpartd1.4.2indirekt
PyPIpathspec1.0.3indirekt
PyPIpatsy1.0.2indirekt
PyPIpillow12.3.0indirekt
PyPIpip-licenses5.5.0indirekt
PyPIplatformdirs4.5.1indirekt
PyPIplotly6.7.0indirekt
PyPIpluggy1.6.0indirekt
PyPIpolars1.31.0indirekt
PyPIpre-commit4.5.1indirekt
PyPIprettytable3.17.0indirekt
PyPIpropcache0.4.1indirekt
PyPIproto-plus1.27.0indirekt
PyPIprotobuf6.33.5indirekt
PyPIpsutil7.2.1indirekt
PyPIpy-cpuinfo9.0.0indirekt
PyPIpy4j0.10.9.9indirekt
PyPIpyarrow23.0.1indirekt
PyPIpyasn10.6.4indirekt
PyPIpyasn1-modules0.4.2indirekt
PyPIpycparser3.0indirekt
PyPIpydantic2.12.5indirekt
PyPIpydantic2.13.5indirekt
PyPIpydantic-core2.41.5indirekt
PyPIpydantic-core2.46.5indirekt
PyPIpygments2.20.0indirekt
PyPIpyjwt2.13.0indirekt
PyPIpymeeus0.5.12indirekt
PyPIpyparsing3.3.2indirekt
PyPIpyspark4.1.1indirekt
PyPIpytest9.0.3indirekt
PyPIpytest-benchmark5.2.3indirekt
PyPIpytest-codspeed4.2.0indirekt
PyPIpytest-cov7.0.0indirekt
PyPIpytest-rerunfailures16.1indirekt
PyPIpytest-timeout2.4.0indirekt
PyPIpytest-xdist3.8.0indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpython-dotenv1.2.2indirekt
PyPIpytz2025.2indirekt
PyPIpywin32311indirekt
PyPIpyyaml6.0.3indirekt
PyPIray2.56.1indirekt
PyPIreferencing0.37.0indirekt
PyPIrequests2.33.0indirekt
PyPIrequests-oauthlib2.0.0indirekt
PyPIrich14.2.0indirekt
PyPIrpds-py0.30.0indirekt
PyPIrsa4.9.1indirekt
PyPIruff0.14.14indirekt
PyPIs3fs2026.1.0indirekt
PyPIscipy1.15.3indirekt
PyPIscipy1.17.0indirekt
PyPIsetuptools83.0.0indirekt
PyPIsix1.17.0indirekt
PyPIskops0.13.0indirekt
PyPIsmmap5.0.2indirekt
PyPIsortedcontainers2.4.0indirekt
PyPIsqlalchemy2.0.46indirekt
PyPIsqlparse0.6.0indirekt
PyPIstarlette1.3.1indirekt
PyPIstatsmodels0.14.6indirekt
PyPItblib3.2.2indirekt
PyPItensorboardx2.6.5indirekt
PyPIthreadpoolctl3.6.0indirekt
PyPItomli2.4.0indirekt
PyPItoolz1.1.0indirekt
PyPItornado6.5.8indirekt
PyPItqdm4.67.1indirekt
PyPItriad1.0.0indirekt
PyPItyping-extensions4.15.0indirekt
PyPItyping-inspection0.4.2indirekt
PyPItzdata2025.3indirekt
PyPIurllib32.7.0indirekt
PyPIuvicorn0.40.0indirekt
PyPIvirtualenv20.36.1indirekt
PyPIwaitress3.0.2indirekt
PyPIwcwidth0.3.1indirekt
PyPIwerkzeug3.1.6indirekt
PyPIwrapt2.0.1indirekt
PyPIxgboost3.2.0indirekt
PyPIxgboost3.4.1indirekt
PyPIxlrd2.0.2indirekt
PyPIxyzservices2025.11.0indirekt
PyPIyarl1.22.0indirekt
PyPIzict3.0.0indirekt
PyPIzipp3.23.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:mlforecast@1.1.0 zieht 24 Pakete nach sich, direkt und transitiv: 0 tragen bekannte Advisories, davon 0 direkte Abhängigkeiten.

Keine bekannten Advisories betreffen die bewerteten Abhängigkeiten.

Ein Advisory bedeutet, dass die im Abhängigkeitsgraphen erfasste Version in den betroffenen Bereich eines Advisories fällt. Erreichbarkeit wird nicht analysiert, und der Graph enthält Entwicklungs- und Test-Pins — ein Fund kann das Werkzeug betreffen und nicht die ausgelieferte Software.

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit Nixtla/mlforecast teilen. Nebeneinander lesen →

98Nixtla/statsforecastLightning ⚡️ fast forecasting with statistical and econometric models.Außergewöhnlich98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich98sktime/sktimeA unified framework for machine learning with time seriesAußergewöhnlich98Nixtla/neuralforecastScalable and user friendly neural :brain: forecasting algorithms.Außergewöhnlich100apache/airflowApache Airflow - A platform to programmatically author, schedule, and monitor workflowsAußergewöhnlich100scikit-learn/scikit-learnscikit-learn: machine learning in PythonAußergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.34.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.