Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-14 20:58 UTC

mne-tools / mne-python

MNE: Magnetoencephalography (MEG) and Electroencephalography (EEG) in Python

PythonBSD-3-Clause★ 3.515 Sterne⑂ 1.591 Forksseit Jan. 2011Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekwie das ermittelt wird
#python#neuroscience#electroencephalography#magnetoencephalography#electrocorticography#machine-learning#statistics#visualization#eeg#meg#ecog#neuroimaging

mne-tools/mne-python erreicht einen Gesundheitsindex von 98 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Vitality (97/100) ab, am schwächsten bei AI Readiness (72/100). Zuletzt heute aktualisiert. 3 Mitwirkende tragen den Großteil der jüngsten Arbeit.

98
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.

98
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 88 wird auf der veröffentlichten Indexskala auf 98 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

MNE tools for MEG and EEG data analysisOrganisation
321 Follower50 öffentliche Reposseit Jan. 2011

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPImne1.13.2379.44889vor 3 Tagendbsecogeegmegbraindeep-brain-stimulationelectrocorticographyelectroencephalographyfnirsfunctional-near-infrared-spectroscopyieegintracranial-eegmagnetoencephalographyneuroimagingneuroscience

Metriken nach Kategorie

Vitalität

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

97Außergewöhnlich · 21 % des Gesamtindex

Entwicklungsaktivität

100Außergewöhnlich
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
36/36Commit-Rhythmus — 52/52 Wochen mit Commits
18/18Commit-Volumen — 585 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 20 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year585
human_commit_share0,93
days_since_last_push0
active_weeks_last_year52

Release-Disziplin

92Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 67 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 3 Tagen
19.8/27Release-Rhythmus — ein Release etwa alle 70,2 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count67
latest_release_tagv1.13.2
releases_from_tagsnein
days_since_latest_release3
mean_days_between_releases70,2
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?

93Außergewöhnlich · 17 % des Gesamtindex

Popularität & Verbreitung

93Außergewöhnlich
Wie die Bewertung erfolgt
57.5/60Stars — 3.515 Stars
25/25Forks — 1.591 Forks
10.6/15Watcher — 83 Watcher
Verwendete Eingangsdaten
forks1.591
stars3.515
watchers83
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_badges0
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_services—
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

93Außergewöhnlich
Wie die Bewertung erfolgt
74.4/80Downloads pro Monat — 379.448 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesmne
dependents—
ecosystemspypi
total_downloads—
monthly_downloads379.448
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?

82Exzellent · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

76Gut
Wie die Bewertung erfolgt
36/54Bus-Faktor — 3 Beitragende decken die Hälfte aller Commits ab
16.2/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 28 % der Commits
13.5/13.5Breite der Beitragenden — 97 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 61 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor3
contributors_sampled97
top_contributor_share0,278

Reaktionsfähigkeit bei Issues & PRs

83Exzellent
Wie die Bewertung erfolgt
37.9/42Issue-Lösungsquote — 90 % der Issues geschlossen
26.1/30PR-Annahme — 7.788/8.962 entschiedene PRs gemergt
13/13Newcomer PR acceptance — 3/3 PRs von Erstbeitragenden in 30 Tagen gemergt
6/15OpenSSF Scorecard: Code-Review — Found 12/30 approved changesets -- score normalized to 4
Verwendete Eingangsdaten
merged_prs7.788
open_issues509
closed_issues4.693
prs_merged_7d25
prs_decided_7d25
prs_merged_30d54
prs_decided_30d54
issue_closed_ratio0,902
closed_unmerged_prs1.174
first_time_authors_30d3
first_time_prs_merged_30d3
first_time_prs_decided_30d3

Eigentümerschaft & Trägerschaft

72Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
18/25Reichweite des Inhabers — 321 Follower von mne-tools
24.4/25Kontohistorie — 50 öffentliche Repos, Kontoalter ca. 15 Jahre
Verwendete Eingangsdaten
followers321
owner_typeOrganization
is_verifiednein
owner_loginmne-tools
public_repos50
account_age_days5.710

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 3 Tagen
20/20Versionshistorie — 89 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesmne
ecosystemspypi
any_deprecatednein
min_days_since_publish3

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

95Außergewöhnlich · 19 % des Gesamtindex

Engineering-Praktiken

92Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 9 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — pyproject.toml ([tool.ruff])
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
18/20OpenSSF Scorecard: CI-Tests — 18 out of 19 merged PRs checked by a CI test -- score normalized to 9
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://mne.tools
10/10Repository-Beschreibung
10/10Topics — 12 Topics
10/10Wiki
Verwendete Eingangsdaten
topicspython, neuroscience, electroencephalography, magnetoencephalography, electrocorticography, machine-learning, statistics, visualization, eeg, meg, ecog, neuroimaging
has_wikija
homepagehttps://mne.tools
docs_sitehttps://mne.tools
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

78Gut · 16 % des Gesamtindex

Sicherheitslage

73Gut
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — keine Daten
2.2/2.5CI-Tests — 18 out of 19 merged PRs checked by a CI test -- score normalized to 9
1.8/2.5CII-Best-Practices — badge detected: Silver
3/7.5Code-Review — Found 12/30 approved changesets -- score normalized to 4
2.5/2.5Contributors — project has 61 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 20 issue activity found in the last 90 days -- score normalized to 10
5/5Packaging — packaging workflow detected
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
3.5/5SAST — SAST tool detected but not run on all commits
5/5Security-Policy — security policy file detected
0/7.5Signed-Releases — keine Daten
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
7.5/7.5Vulnerabilities — 0 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate7,3
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Branch-Protection, 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:mne@1.13.2 — 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.

72Gut · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

85Exzellent
Wie die Bewertung erfolgt
45/45Agentenanweisungen — AGENTS.md, CLAUDE.md
0/15Maschinenlesbare Doku (llms.txt)
39.6/40Lesbare Commit-Historie — 69 von 93 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,742
agent_instruction_filesAGENTS.md, CLAUDE.md
agent_instruction_max_bytes15.146

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

59Mittel
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile, doc/Makefile, tools/dev/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — pyproject.toml ([tool.ruff])
0/11Statische Typprüfung
0/10Reproduzierbare Umgebung
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
8/8Automatisierte Wartung — 2 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
lockfiles—
has_dockerfilenein
typed_languagenein
bootstrap_filesMakefile, doc/Makefile, tools/dev/Makefile
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0,02

AI-Code-Lesbarkeit für Modelle

52Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
52/55Handhabbare Dateigrößen — 51/932 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes226.126
source_files_sampled932
oversized_source_files51

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, sample
Verwendete Eingangsdaten
example_dirsexamples, sample
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

3.515GitHub-Sterne
97Mitwirkende
585Commits, letzte 12 Monate
0Tage seit letztem Push
67Releases
3Bus-Faktor
509offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • First-time contributor figures cover 12 of 22 authors (cap 12)

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 1.591 ⇿
0Sterne
1.591Forks
50Releases

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.

4006008001.0001.2001.4001.6001.591132019-102023-032026-09
Major 1Minor 17Patch 32

Jeder Punkt umfasst 7 Tage.

OpenSSF Scorecard 7.3 / 10
7.3Gesamtwert

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 · 2026-09-14 20:58 UTC

10Binary-Artifactsno binaries found in the repo
k. A.Branch-Protectioninternal error: error during branchesHandler.setup: internal error: some github tokens can't read classic branch protection rules: https://github.com/ossf/scorecard-action/blob/main/docs/authentication/fine-grained-auth-token.md
9CI-Tests18 out of 19 merged PRs checked by a CI test -- score normalized to 9
7CII-Best-Practicesbadge detected: Silver
4Code-ReviewFound 12/30 approved changesets -- score normalized to 4
10Contributorsproject has 61 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 20 issue activity found in the last 90 days -- score normalized to 10
10Packagingpackaging workflow detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
7SASTSAST tool detected but not run on all commits
10Security-Policysecurity policy file detected
k. A.Signed-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
10Vulnerabilities0 existing vulnerabilities detected
Direkte Abhängigkeiten 9
RegistryPaketVersionsvorgabeManifest
PyPIdecorator>= 5.1pyproject.toml
PyPIjinja2>= 3.1pyproject.toml
PyPIlazy_loader>= 0.3pyproject.toml
PyPImatplotlib>= 3.9pyproject.toml
PyPInumpy>= 2.1, < 3pyproject.toml
PyPIpackaging—pyproject.toml
PyPIpooch>= 1.5pyproject.toml
PyPIscipy>= 1.14pyproject.toml
PyPItqdm>= 4.66pyproject.toml
Alle Abhängigkeiten 69

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 8 direkte und 61 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIdecorator—direkt
PyPIjinja2—direkt
PyPIlazy-loader—direkt
PyPImatplotlib—direkt
PyPInumpy—direkt
PyPIpooch—direkt
PyPIscipy—direkt
PyPItqdm—direkt
PyPIantio—indirekt
PyPIcurryreader—indirekt
PyPIdipy—indirekt
PyPIdocutils—indirekt
PyPIedfio—indirekt
PyPIfilelock—indirekt
PyPIh5io—indirekt
PyPIh5py—indirekt
PyPIhatchling—indirekt
PyPIimageio—indirekt
PyPIimageio-ffmpeg—indirekt
PyPIintersphinx-registry—indirekt
PyPIipython—indirekt
PyPIjamica—indirekt
PyPIjoblib—indirekt
PyPIjupyterlite-pyodide-kernel—indirekt
PyPIjupyterlite-sphinx—indirekt
PyPImemory-profiler—indirekt
PyPImffpy—indirekt
PyPImne-qt-browser—indirekt
PyPInibabel—indirekt
PyPInilearn—indirekt
PyPInitime—indirekt
PyPInumba—indirekt
PyPInumpydoc—indirekt
PyPIopenmeeg—indirekt
PyPIopenneuro-py—indirekt
PyPIpandas—indirekt
PyPIpillow—indirekt
PyPIpip—indirekt
PyPIpydata-sphinx-theme—indirekt
PyPIpygments—indirekt
PyPIpyobjc-framework-cocoa—indirekt
PyPIpyqt6—indirekt
PyPIpyqt6-qt6—indirekt
PyPIpyside6—indirekt
PyPIpytest—indirekt
PyPIpytest-cov—indirekt
PyPIpytest-qt—indirekt
PyPIpytest-timeout—indirekt
PyPIpytest-xdist—indirekt
PyPIpython-picard—indirekt
PyPIpyvista—indirekt
PyPIpyvista-js—indirekt
PyPIpyvistaqt—indirekt
PyPIpyzmq—indirekt
PyPIqdarkstyle—indirekt
PyPIrcssmin—indirekt
PyPIrefleak—indirekt
PyPIruff—indirekt
PyPIscikit-learn—indirekt
PyPIseaborn—indirekt
PyPIselenium—indirekt
PyPIsphinx—indirekt
PyPIsphinx-gallery—indirekt
PyPIsphinxcontrib-bibtex—indirekt
PyPIsphinxcontrib-towncrier—indirekt
PyPIstatsmodels—indirekt
PyPItrame—indirekt
PyPItrame-vuetify—indirekt
PyPIvtk—indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:mne@1.13.2 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 mne-tools/mne-python teilen. Nebeneinander lesen →

100scikit-learn/scikit-learnscikit-learn: machine learning in PythonAußergewöhnlich98gradio-app/gradioBuild and share delightful machine learning apps, all in Python. 🌟 Star to support our work!Außergewöhnlich98Nixtla/statsforecastLightning ⚡️ fast forecasting with statistical and econometric models.Außergewöhnlich98voxel51/fiftyoneRefine high-quality datasets and visual AI modelsAußergewöhnlich100apache/airflowApache Airflow - A platform to programmatically author, schedule, and monitor workflowsAußergewöhnlich100optuna/optunaA hyperparameter optimization frameworkAußergewöhnlich

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.