Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-10 08:13 UTC

databricks-industry-solutions / many-model-forecasting

Bootstrap your large scale forecasting solution on Databricks with Many Models Forecasting (MMF) Project.

Python · Jupyter NotebookEigene Lizenz★ 103 Sterne⑂ 45 Forksseit Okt. 2022Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekwie das ermittelt wird
#forecasting#xindustry

databricks-industry-solutions/many-model-forecasting erreicht einen Gesundheitsindex von 73 von 100 und liegt damit im Bereich Gut. Am stärksten schneidet es bei Vitality (92/100) ab, am schwächsten bei Engineering Quality (53/100). Zuletzt heute aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

73
gesamt / 100
Gut

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.

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

Eigentümerschaft

Databricks Industry SolutionsOrganisation
862 Follower224 öffentliche Reposseit Mai 2022

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPIskill-test0.4.0144vor 2136 Tagen

Metriken nach Kategorie

Vitalität

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

92Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

86Exzellent
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
22.2/36Commit-Rhythmus — 32/52 Wochen mit Commits
18/18Commit-Volumen — 312 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year312
human_commit_share0,84
days_since_last_push0
active_weeks_last_year32

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 9 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 60 Tagen
27/27Release-Rhythmus — ein Release etwa alle 18,6 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count9
latest_release_tagv0.1.7
releases_from_tagsnein
days_since_latest_release60
mean_days_between_releases18,6
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?

57Mittel · 17 % des Gesamtindex

Popularität & Verbreitung

50Mittel
Wie die Bewertung erfolgt
32.6/60Stars — 103 Stars
13.7/25Forks — 45 Forks
3.9/15Watcher — 6 Watcher
Verwendete Eingangsdaten
forks45
stars103
watchers6
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

64Mittel
Wie die Bewertung erfolgt
22.5/22.5README
16.9/22.5Lizenz — Lizenzdatei vorhanden, keine anerkannte Lizenz
18/18CONTRIBUTING-Leitfaden
0/13.5Verhaltenskodex
0/7.2Issue-Vorlage
0/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges0
has_contributingja
has_issue_templatenein
has_code_of_conductnein
readme_badge_services—
has_pull_request_templatenein

Nachhaltigkeit & Governance

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

56Mittel · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

29Gefährdet
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
4.4/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 80 % der Commits
9.5/13.5Breite der Beitragenden — 7 Beitragende
6/10OpenSSF Scorecard: Contributors — project has 2 contributing companies or organizations -- score normalized to 6
Verwendete Eingangsdaten
bus_factor1
contributors_sampled7
top_contributor_share0,803

Reaktionsfähigkeit bei Issues & PRs

67Gut
Wie die Bewertung erfolgt
30.5/42Issue-Lösungsquote — 73 % der Issues geschlossen
28.2/30PR-Annahme — 184/196 entschiedene PRs gemergt
0/13Newcomer PR acceptance — kein PR eines Erstbeitragenden in 30 Tagen entschieden
0/15OpenSSF Scorecard: Code-Review — Found 0/3 approved changesets -- score normalized to 0
Verwendete Eingangsdaten
merged_prs184
open_issues3
closed_issues8
prs_merged_7d0
prs_decided_7d0
prs_merged_30d1
prs_decided_30d1
issue_closed_ratio0,727
closed_unmerged_prs12
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

73Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
21.1/25Reichweite des Inhabers — 862 Follower von databricks-industry-solutions
21.6/25Kontohistorie — 224 öffentliche Repos, Kontoalter ca. 4 Jahre
Verwendete Eingangsdaten
followers862
owner_typeOrganization
is_verifiednein
owner_logindatabricks-industry-solutions
public_repos224
account_age_days1.563

Paketpflege

61Mittel
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
4/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 2.136 Tagen
12/20Versionshistorie — 4 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesskill-test
ecosystemspypi
any_deprecatednein
min_days_since_publish2.136

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

53Mittel · 19 % des Gesamtindex

Engineering-Praktiken

48Schwach
Wie die Bewertung erfolgt
24/24CI-Workflows — 5 Workflow(s)
24/24Tests vorhanden
0/16Linter-Konfiguration
0/9.6Pre-Commit-Hooks
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — 0 out of 14 merged PRs checked by a CI test -- score normalized to 0
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_confignein
has_precommit_confignein

Dokumentation

60Mittel
Wie die Bewertung erfolgt
30/30README
0/25Dokumentationsverzeichnis
0/15Dokumentations-/Homepage-Site
10/10Repository-Beschreibung
10/10Topics — 2 Topics
10/10Wiki
Verwendete Eingangsdaten
topicsforecasting, xindustry
has_wikija
homepage—
docs_site—
has_readmeja
has_docs_dirnein
has_descriptionja

Sicherheit

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

61Mittel · 16 % des Gesamtindex

Sicherheitslage

51Mittel
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — branch protection not enabled on development/release branches
0/2.5CI-Tests — 0 out of 14 merged PRs checked by a CI test -- score normalized to 0
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
0/7.5Code-Review — Found 0/3 approved changesets -- score normalized to 0
1.5/2.5Contributors — project has 2 contributing companies or organizations -- score normalized to 6
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.2/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
0/5Packaging — keine Daten
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
5/5Security-Policy — security policy file detected
0/7.5Signed-Releases — keine Daten
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
6/7.5Vulnerabilities — 2 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate5,1
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_packages8
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:skill-test@0.4.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 8 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.

69Gut · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

100Außergewöhnlich
Wie die Bewertung erfolgt
45/45Agentenanweisungen — CLAUDE.md
15/15Maschinenlesbare Doku (llms.txt) — llms.txt wird von der Projektwebsite ausgeliefert (https://docs.databricks.com/llms.txt)
40/40Lesbare Commit-Historie — 79 von 84 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_urlhttps://docs.databricks.com/llms.txt
legible_history_share0,94
agent_instruction_filesCLAUDE.md
agent_instruction_max_bytes1.714

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

40Schwach
Wie die Bewertung erfolgt
0/18Bootstrap mit einem Befehl
22/22Automatisierte Tests
0/11Lint-/Format-Konfiguration
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — devcontainer, Dockerfile, lockfile
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
8/8Automatisierte Wartung — 16 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfileja
typed_languagenein
bootstrap_files—
has_devcontainerja
has_linter_confignein
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0,16

AI-Code-Lesbarkeit für Modelle

54Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
54.4/55Handhabbare Dateigrößen — 1/99 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes63.634
source_files_sampled99
oversized_source_files1

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

103GitHub-Sterne
7Mitwirkende
312Commits, letzte 12 Monate
0Tage seit letztem Push
9Releases
1Bus-Faktor
3offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • Could not fetch pypi package 'mmf_sa' from its registry

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 45 ⇿
0Sterne
45Forks
9Releases

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.

010203040504432023-022024-112026-08
Major 1Minor 1Patch 7

Jeder Punkt umfasst 4 Tage.

OpenSSF Scorecard 5.1 / 10
5.1Gesamtwert

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 · 2026-09-10 08:13 UTC

10Binary-Artifactsno binaries found in the repo
0Branch-Protectionbranch protection not enabled on development/release branches
0CI-Tests0 out of 14 merged PRs checked by a CI test -- score normalized to 0
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
0Code-ReviewFound 0/3 approved changesets -- score normalized to 0
6Contributorsproject has 2 contributing companies or organizations -- score normalized to 6
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
9Licenselicense file detected
10Maintained30 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
k. A.Packagingpackaging workflow not detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
0SASTSAST tool is not run on all commits -- score normalized to 0
10Security-Policysecurity policy file detected
k. A.Signed-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
8Vulnerabilities2 existing vulnerabilities detected
Direkte Abhängigkeiten 6
RegistryPaketVersionsvorgabeManifest
PyPIomegaconf==2.3.0pyproject.toml
PyPIsktime==0.40.1pyproject.toml
PyPImlflow>=3.15.0pyproject.toml
PyPIpyyaml>=6.0skills/.test/pyproject.toml
PyPImlflow>=3.12.0skills/.test/pyproject.toml
PyPIpython-dotenv>=1.2.2skills/.test/pyproject.toml
Alle Abhängigkeiten 183

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 6 direkte und 177 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPImlflow—direkt
PyPImlflow3.16.0direkt
PyPIomegaconf2.3.0direkt
PyPIpython-dotenv1.2.2direkt
PyPIpyyaml6.0.3direkt
PyPIsktime0.40.1direkt
PyPIaiohappyeyeballs2.6.2indirekt
PyPIaiohttp3.14.3indirekt
PyPIaiosignal1.4.0indirekt
PyPIalembic1.18.3indirekt
PyPIannotated-doc0.0.4indirekt
PyPIannotated-types0.7.0indirekt
PyPIanyio4.12.1indirekt
PyPIasync-timeout5.0.1indirekt
PyPIattrs26.1.0indirekt
PyPIazure-core1.38.0indirekt
PyPIazure-storage-blob12.28.0indirekt
PyPIazure-storage-file-datalake12.23.0indirekt
PyPIbackports-asyncio-runner1.2.0indirekt
PyPIblinker1.9.0indirekt
PyPIboto31.42.41indirekt
PyPIbotocore1.42.41indirekt
PyPIcachetools6.2.6indirekt
PyPIcertifi2026.1.4indirekt
PyPIcffi2.0.0indirekt
PyPIcharset-normalizer3.4.4indirekt
PyPIchronos-forecasting2.2.2indirekt
PyPIclick8.3.1indirekt
PyPIcloudpickle3.1.2indirekt
PyPIcmdstanpy1.2.5indirekt
PyPIcolorama0.4.6indirekt
PyPIcontourpy1.3.2indirekt
PyPIcontourpy1.3.3indirekt
PyPIcryptography50.0.0indirekt
PyPIcycler0.12.1indirekt
PyPIdash-bootstrap-components—indirekt
PyPIdatabricks-agents1.4.0indirekt
PyPIdatabricks-connect14.3.2indirekt
PyPIdatabricks-connect18.1.2indirekt
PyPIdatabricks-sdk—indirekt
PyPIdatabricks-sdk0.84.0indirekt
PyPIdatabricks-sql-connector—indirekt
PyPIdataclasses-json0.6.7indirekt
PyPIdistro1.9.0indirekt
PyPIdocker7.1.0indirekt
PyPIduckdb1.4.4indirekt
PyPIexceptiongroup1.3.1indirekt
PyPIfastapi0.136.3indirekt
PyPIflask3.1.3indirekt
PyPIflask-cors6.0.2indirekt
PyPIfonttools4.61.1indirekt
PyPIfrozenlist1.8.0indirekt
PyPIgepa0.1.0indirekt
PyPIgitdb4.0.12indirekt
PyPIgitpython3.1.59indirekt
PyPIgoogle-api-core2.29.0indirekt
PyPIgoogle-auth2.48.0indirekt
PyPIgoogle-cloud-core2.5.0indirekt
PyPIgoogle-cloud-storage3.9.0indirekt
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
PyPIgreenlet3.3.1indirekt
PyPIgrpcio1.80.0indirekt
PyPIgrpcio-status1.80.0indirekt
PyPIgunicorn23.0.0indirekt
PyPIh110.16.0indirekt
PyPIhierarchicalforecast1.5.1indirekt
PyPIhttpcore1.0.9indirekt
PyPIhttpx0.28.1indirekt
PyPIhuey2.6.0indirekt
PyPIidna3.15indirekt
PyPIimportlib-metadata8.7.1indirekt
PyPIiniconfig2.3.0indirekt
PyPIisodate0.7.2indirekt
PyPIitsdangerous2.2.0indirekt
PyPIjinja23.1.6indirekt
PyPIjiter0.13.0indirekt
PyPIjmespath1.1.0indirekt
PyPIjoblib1.5.3indirekt
PyPIjsonpatch1.33indirekt
PyPIjsonpointer3.0.0indirekt
PyPIkiwisolver1.4.9indirekt
PyPIlangchain-core1.3.3indirekt
PyPIlangchain-openai1.1.14indirekt
PyPIlangchain-protocol0.0.15indirekt
PyPIlangsmith0.8.18indirekt
PyPIlightgbm4.6.0indirekt
PyPImako1.3.12indirekt
PyPImarkupsafe3.0.3indirekt
PyPImarshmallow3.26.2indirekt
PyPImatplotlib3.10.8indirekt
PyPImlflow-skinny3.16.0indirekt
PyPImlflow-tracing3.16.0indirekt
PyPImlforecast1.0.31indirekt
PyPImultidict6.7.1indirekt
PyPImypy-extensions1.1.0indirekt
PyPIneuralforecast3.1.4indirekt
PyPInumpy2.2.6indirekt
PyPInumpy2.4.2indirekt
PyPIopenai2.32.0indirekt
PyPIopentelemetry-api1.39.1indirekt
PyPIopentelemetry-proto1.39.1indirekt
PyPIopentelemetry-sdk1.39.1indirekt
PyPIopentelemetry-semantic-conventions0.60b1indirekt
PyPIoptuna3.6.1indirekt
PyPIorjson3.11.7indirekt
PyPIpackaging25.0indirekt
PyPIpandas—indirekt
PyPIpandas2.2.3indirekt
PyPIpandas2.3.3indirekt
PyPIpillow12.3.0indirekt
PyPIpluggy1.6.0indirekt
PyPIpolars—indirekt
PyPIprettytable3.17.0indirekt
PyPIpropcache0.5.2indirekt
PyPIprophet1.1.6indirekt
PyPIproto-plus1.27.1indirekt
PyPIprotobuf6.33.5indirekt
PyPIpy4j0.10.9.7indirekt
PyPIpy4j0.10.9.9indirekt
PyPIpyarrow—indirekt
PyPIpyarrow23.0.1indirekt
PyPIpyasn10.6.4indirekt
PyPIpyasn1-modules0.4.2indirekt
PyPIpycparser3.0indirekt
PyPIpydantic2.12.5indirekt
PyPIpydantic-core2.41.5indirekt
PyPIpygments2.20.0indirekt
PyPIpyparsing3.3.2indirekt
PyPIpyspark3.4.4indirekt
PyPIpytest9.0.3indirekt
PyPIpytest-asyncio1.3.0indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpytz2025.2indirekt
PyPIpywin32311indirekt
PyPIregex2026.1.15indirekt
PyPIrequests2.33.0indirekt
PyPIrequests-toolbelt1.0.0indirekt
PyPIrsa4.9.1indirekt
PyPIs3transfer0.16.0indirekt
PyPIscikit-learn1.7.2indirekt
PyPIscikit-learn1.8.0indirekt
PyPIscipy—indirekt
PyPIscipy1.15.3indirekt
PyPIscipy1.17.0indirekt
PyPIsetuptools83.0.0indirekt
PyPIsix1.17.0indirekt
PyPIskill-test0.1.0indirekt
PyPIskops0.13.0indirekt
PyPIsmmap5.0.2indirekt
PyPIsniffio1.3.1indirekt
PyPIsqlalchemy2.0.46indirekt
PyPIsqlglot29.0.1indirekt
PyPIsqlparse0.6.0indirekt
PyPIstarlette1.3.1indirekt
PyPIstatsforecast2.0.0indirekt
PyPItenacity9.1.2indirekt
PyPIthreadpoolctl3.6.0indirekt
PyPItiktoken0.12.0indirekt
PyPItimesfm—indirekt
PyPItomli2.4.0indirekt
PyPItqdm4.67.3indirekt
PyPItyping-extensions4.15.0indirekt
PyPItyping-inspect0.9.0indirekt
PyPItyping-inspection0.4.2indirekt
PyPItzdata2025.3indirekt
PyPIurllib32.7.0indirekt
PyPIutilsforecast0.2.15indirekt
PyPIuuid-utils0.14.0indirekt
PyPIuvicorn0.40.0indirekt
PyPIwaitress3.0.2indirekt
PyPIwcwidth0.5.3indirekt
PyPIwebsockets16.0indirekt
PyPIwerkzeug3.1.6indirekt
PyPIwhenever0.7.3indirekt
PyPIxxhash3.6.0indirekt
PyPIyarl1.24.2indirekt
PyPIzipp3.23.0indirekt
PyPIzstandard0.25.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:skill-test@0.4.0 zieht 8 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 databricks-industry-solutions/many-model-forecasting teilen. Nebeneinander lesen →

98Nixtla/neuralforecastScalable and user friendly neural :brain: forecasting algorithms.Außergewöhnlich98sktime/sktimeA unified framework for machine learning with time seriesAußergewöhnlich98Nixtla/statsforecastLightning ⚡️ fast forecasting with statistical and econometric models.Außergewöhnlich98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich96unit8co/dartsA python library for user-friendly forecasting and anomaly detection on time series.Außergewöhnlich96Nixtla/mlforecastScalable machine 🤖 learning for time series forecasting.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.