Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-17 22:52 UTC

Unidata / MetPy

MetPy is a collection of tools in Python for reading, visualizing and performing calculations with weather data.

PythonBSD-3-Clause★ 1.442 Sterne⑂ 449 Forksseit Feb. 2011Auf GitHub ansehen ↗
ArtPluginBibliothekwie das ermittelt wird
#python#atmospheric-science#meteorology#weather#plotting#scientific-computations#hodograph#skew-t#weather-data#hacktoberfest

Unidata/MetPy erreicht einen Gesundheitsindex von 87 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Community & Adoption (87/100) ab, am schwächsten bei Security (46/100). Zuletzt vor 3 Tagen aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

87
gesamt / 100
Exzellent

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.

87
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 73 wird auf der veröffentlichten Indexskala auf 87 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

NSF UnidataOrganisation · verifizierte Domain
316 Follower132 öffentliche Reposseit Feb. 2011

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIMetPy1.7.1171.62643vor 383 Tagenmeteorologyweather

Metriken nach Kategorie

Vitalität

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

80Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

94Außergewöhnlich
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 3 Tagen
30.5/36Commit-Rhythmus — 44/52 Wochen mit Commits
18/18Commit-Volumen — 313 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year313
human_commit_share0,54
days_since_last_push3
active_weeks_last_year44

Release-Disziplin

60Mittel
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 43 Releases veröffentlicht
7.2/36Release-Aktualität — letztes Release vor 383 Tagen
19.8/27Release-Rhythmus — ein Release etwa alle 108,9 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count43
latest_release_tagv1.7.1
releases_from_tagsnein
days_since_latest_release383
mean_days_between_releases108,9

Community & Verbreitung

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

87Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

83Exzellent
Wie die Bewertung erfolgt
51.2/60Stars — 1.442 Stars
22.1/25Forks — 449 Forks
9.8/15Watcher — 59 Watcher
Verwendete Eingangsdaten
forks449
stars1.442
watchers59
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

92Exzellent
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (BSD-3-Clause)
18/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges10
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesapp.codacy.com, codecov.io, github.com, shields.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

87Exzellent
Wie die Bewertung erfolgt
69.8/80Downloads pro Monat — 171.626 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesMetPy
dependents—
ecosystemspypi
total_downloads—
monthly_downloads171.626
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?

69Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

34Gefährdet
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
7.8/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 65 % der Commits
13.5/13.5Breite der Beitragenden — 85 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor1
contributors_sampled85
top_contributor_share0,653

Reaktionsfähigkeit bei Issues & PRs

80Exzellent
Wie die Bewertung erfolgt
31/42Issue-Lösungsquote — 74 % der Issues geschlossen
26.4/30PR-Annahme — 2.264/2.573 entschiedene PRs gemergt
0/13Newcomer PR acceptance — kein PR eines Erstbeitragenden in 30 Tagen entschieden
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs2.264
open_issues321
closed_issues907
prs_merged_7d0
prs_decided_7d0
prs_merged_30d0
prs_decided_30d0
issue_closed_ratio0,739
closed_unmerged_prs309
first_time_authors_30d0
first_time_prs_merged_30d0
first_time_prs_decided_30d0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Newcomer PR acceptance. Die verbleibenden Gewichte wurden renormalisiert.

Eigentümerschaft & Trägerschaft

93Außergewöhnlich
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
20/20Verifizierte Domain
18/25Reichweite des Inhabers — 316 Follower von Unidata
25/25Kontohistorie — 132 öffentliche Repos, Kontoalter ca. 15 Jahre
Verwendete Eingangsdaten
followers316
owner_typeOrganization
is_verifiedja
owner_loginUnidata
public_repos132
account_age_days5.697

Paketpflege

79Gut
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
14/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 383 Tagen
20/20Versionshistorie — 43 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesMetPy
ecosystemspypi
any_deprecatednein
min_days_since_publish383

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

84Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

80Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 15 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — pyproject.toml ([tool.ruff], [tool.isort]), setup.cfg ([flake8], [pycodestyle])
0/9.6Pre-Commit-Hooks
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — keine Daten
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_confignein

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://unidata.github.io/MetPy/
10/10Repository-Beschreibung
10/10Topics — 10 Topics
0/10Wiki
Verwendete Eingangsdaten
topicspython, atmospheric-science, meteorology, weather, plotting, scientific-computations, hodograph, skew-t, weather-data, hacktoberfest
has_wikinein
homepagehttps://unidata.github.io/MetPy/
docs_sitehttps://unidata.github.io/MetPy/
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

46Schwach · 16 % des Gesamtindex

Sicherheitslage

33Gefährdet
Wie die Bewertung erfolgt
0/30Sicherheitsrichtlinie (SECURITY.md)
25/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten — veröffentlichte Bibliothek — Lockfiles sind Sache der Anwendung, hier nicht erwartet
0/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfiles—
manifestsci/requirements.txt, pyproject.toml, setup.cfg
has_codeql_workflownein
has_security_policynein
has_dependabot_configja
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Lockfiles für Abhängigkeiten. 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_packages27
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:MetPy@1.7.1 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 27 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.

65Gut · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

40Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 47 von 54 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,87
agent_instruction_files—
agent_instruction_max_bytes—

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

77Gut
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — docs/Makefile, tools/metar_parser/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — pyproject.toml ([tool.ruff], [tool.isort]), setup.cfg ([flake8], [pycodestyle])
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — devcontainer, Dockerfile
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
8/8Automatisierte Wartung — 46 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
0/10OpenSSF Scorecard: Pinned-Dependencies — keine Daten
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfiles—
has_dockerfileja
typed_languagenein
bootstrap_filesdocs/Makefile, tools/metar_parser/Makefile
has_devcontainerja
has_linter_configja
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0,46

AI-Code-Lesbarkeit für Modelle

51Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
51.1/55Handhabbare Dateigrößen — 13/182 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes228.959
source_files_sampled182
oversized_source_files13

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 — examples, notebooks
Verwendete Eingangsdaten
example_dirsexamples, notebooks
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

1.442GitHub-Sterne
85Mitwirkende
313Commits, letzte 12 Monate
3Tage seit letztem Push
43Releases
1Bus-Faktor
321offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • OpenSSF Scorecard timed out after 240s; skipping Scorecard checks

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 449 ⇿
0Sterne
449Forks
43Releases

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.

010020030040050043092012-092019-092026-09
Major 1Minor 19Patch 21

Jeder Punkt umfasst 13 Tage.

Direkte Abhängigkeiten 9
RegistryPaketVersionsvorgabeManifest
PyPImatplotlib>=3.7.0pyproject.toml
PyPInumpy>=1.25.0pyproject.toml
PyPIpandas>=2.1.0pyproject.toml
PyPIpint>=0.22pyproject.toml
PyPIpooch>=1.2.0pyproject.toml
PyPIpyproj>=3.4.0pyproject.toml
PyPIscipy>=1.10.0pyproject.toml
PyPItraitlets>=5.1.0pyproject.toml
PyPIxarray>=2022.6.0pyproject.toml
Alle Abhängigkeiten 46

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 18 direkte und 28 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPImatplotlib—direkt
PyPImatplotlib3.10.9direkt
PyPInumpy—direkt
PyPInumpy2.4.6direkt
PyPIpandas—direkt
PyPIpandas3.0.5direkt
PyPIpint—direkt
PyPIpint0.25.3direkt
PyPIpooch—direkt
PyPIpooch1.9.0direkt
PyPIpyproj—direkt
PyPIpyproj3.7.2direkt
PyPIscipy—direkt
PyPIscipy1.17.1direkt
PyPItraitlets—direkt
PyPItraitlets5.16.1direkt
PyPIxarray—direkt
PyPIxarray2025.10.1direkt
PyPIboto31.43.14indirekt
PyPIcartopy0.25.0indirekt
PyPIcodespell2.4.1indirekt
PyPIcoverage7.15.0indirekt
PyPIdask2026.7.1indirekt
PyPIdoc82.0.0indirekt
PyPIflake87.3.0indirekt
PyPIflake8-broken-line1.0.0indirekt
PyPIflake8-isort7.0.0indirekt
PyPIflake8-requirements2.3.0indirekt
PyPIflake8-rst-docstrings0.4.0indirekt
PyPIgeopandas1.1.2indirekt
PyPIisort8.0.0indirekt
PyPImyst-parser5.1.0indirekt
PyPInetcdf41.7.4indirekt
PyPIpackaging26.3indirekt
PyPIpycodestyle2.14.0indirekt
PyPIpydata-sphinx-theme0.16.1indirekt
PyPIpyflakes3.4.0indirekt
PyPIpytest9.1.1indirekt
PyPIpytest-mpl0.19.0indirekt
PyPIrestructuredtext-lint2.0.2indirekt
PyPIruff0.16.0indirekt
PyPIshapely2.1.2indirekt
PyPIsphinx9.0.4indirekt
PyPIsphinx-design0.7.0indirekt
PyPIsphinx-gallery0.21.0indirekt
PyPIvcrpy8.3.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:MetPy@1.7.1 zieht 27 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 Unidata/MetPy teilen. Nebeneinander lesen →

99pyvista/pyvista3D visualization and mesh analysis for science and engineeringAußergewöhnlich100huggingface/transformers🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. Außergewöhnlich100psf/blackThe uncompromising Python code formatterAußergewöhnlich100matplotlib/matplotlibmatplotlib: plotting with PythonAußergewöhnlich99kedro-org/kedroKedro is a toolbox for production-ready data science. It uses software engineering best practices to help you create data engineering and data science pipelines that are reproducible, maintainable, and modular.Außergewöhnlich99home-assistant/core:house_with_garden: Open source home automation that puts local control and privacy first.Außergewöhnlich

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.