Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-17 17:55 UTC

rasbt / mlxtend

A library of extension and helper modules for Python's data analysis and machine learning libraries.

PythonEigene Lizenz★ 5.174 Sterne⑂ 916 Forksseit Aug. 2014Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#python#machine-learning#data-science#data-mining#association-rules#supervised-learning#unsupervised-learning

rasbt/mlxtend erreicht einen Gesundheitsindex von 90 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Engineering Quality (92/100) ab, am schwächsten bei AI Readiness (60/100). Zuletzt vor 8 Tagen aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

90
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.

90
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 76 wird auf der veröffentlichten Indexskala auf 90 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Sebastian RaschkaPersönliches Konto
40.311 Follower151 öffentliche Reposseit Okt. 2013

Dieses Repository gehört einem persönlichen Konto. Ein Projekt mit nur einem Eigentümer trägt ein höheres Kontinuitätsrisiko als ein organisationsgetragenes.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPImlxtend0.25.01.086.52155vor 103 Tagen

Metriken nach Kategorie

Vitalität

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

65Gut · 21 % des Gesamtindex

Entwicklungsaktivität

59Mittel
Wie die Bewertung erfolgt
28.8/36Push-Aktualität — letzter Push vor 8 Tagen
6.9/36Commit-Rhythmus — 10/52 Wochen mit Commits
14.7/18Commit-Volumen — 42 Commits im letzten Jahr
9/10OpenSSF Scorecard: Maintained — 11 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 9
Verwendete Eingangsdaten
commits_last_year42
human_commit_share0,87
days_since_last_push8
active_weeks_last_year10

Release-Disziplin

74Gut
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 34 Releases veröffentlicht
27/36Release-Aktualität — letztes Release vor 103 Tagen
12.6/27Release-Rhythmus — ein Release etwa alle 163,5 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count34
latest_release_tagv0.25.0
releases_from_tagsnein
days_since_latest_release103
mean_days_between_releases163,5
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?

86Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

96Außergewöhnlich
Wie die Bewertung erfolgt
60/60Stars — 5.174 Stars
24.7/25Forks — 916 Forks
11.4/15Watcher — 115 Watcher
Verwendete Eingangsdaten
forks916
stars5.174
watchers115
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

66Gut
Wie die Bewertung erfolgt
22.5/22.5README
16.9/22.5Lizenz — Lizenzdatei vorhanden, keine anerkannte Lizenz
0/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges6
has_contributingnein
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesbadge.fury.io, ci.appveyor.com, codecov.io, shields.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

100Außergewöhnlich
Wie die Bewertung erfolgt
80/80Downloads pro Monat — 1.086.521 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesmlxtend
dependents—
ecosystemspypi
total_downloads—
monthly_downloads1.086.521
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?

71Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

38Schwach
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
5.6/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 75 % der Commits
13.5/13.5Breite der Beitragenden — 99 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 29 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor1
contributors_sampled99
top_contributor_share0,752

Reaktionsfähigkeit bei Issues & PRs

84Exzellent
Wie die Bewertung erfolgt
32.5/42Issue-Lösungsquote — 77 % der Issues geschlossen
28.1/30PR-Annahme — 537/574 entschiedene PRs gemergt
13/13Newcomer PR acceptance — 3/3 PRs von Erstbeitragenden in 30 Tagen gemergt
10.5/15OpenSSF Scorecard: Code-Review — Found 13/17 approved changesets -- score normalized to 7
Verwendete Eingangsdaten
merged_prs537
open_issues110
closed_issues376
prs_merged_7d0
prs_decided_7d0
prs_merged_30d3
prs_decided_30d3
issue_closed_ratio0,774
closed_unmerged_prs37
first_time_authors_30d2
first_time_prs_merged_30d3
first_time_prs_decided_30d3

Eigentümerschaft & Trägerschaft

75Gut
Wie die Bewertung erfolgt
10/30Organisatorische Trägerschaft — persönliches (Nutzer-)Konto
0/20Verifizierte Domain — für Nutzerkonten nicht anwendbar
25/25Reichweite des Inhabers — 40.311 Follower von rasbt
25/25Kontohistorie — 151 öffentliche Repos, Kontoalter ca. 12 Jahre
Verwendete Eingangsdaten
followers40.311
owner_typeUser
is_verified—
owner_loginrasbt
public_repos151
account_age_days4.730
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Verifizierte Domain. Die verbleibenden Gewichte wurden renormalisiert.

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 103 Tagen
20/20Versionshistorie — 55 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesmlxtend
ecosystemspypi
any_deprecatednein
min_days_since_publish103

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

92Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

94Außergewöhnlich
Wie die Bewertung erfolgt
24/24CI-Workflows — 3 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — .flake8
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 28 out of 28 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://rasbt.github.io/mlxtend/
10/10Repository-Beschreibung
10/10Topics — 7 Topics
0/10Wiki
Verwendete Eingangsdaten
topicspython, machine-learning, data-science, data-mining, association-rules, supervised-learning, unsupervised-learning
has_wikinein
homepagehttps://rasbt.github.io/mlxtend/
docs_sitehttps://rasbt.github.io/mlxtend/
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

71Gut · 16 % des Gesamtindex

Sicherheitslage

64Mittel
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — keine Daten
2.5/2.5CI-Tests — 28 out of 28 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
5.2/7.5Code-Review — Found 13/17 approved changesets -- score normalized to 7
2.5/2.5Contributors — project has 29 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
2.2/2.5Lizenz — license file detected
6.8/7.5Maintained — 11 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 9
5/5Packaging — packaging workflow detected
2/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 4
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
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
6/7.5Vulnerabilities — 2 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate6,4
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_packages18
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:mlxtend@0.25.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 18 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.

60Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

38Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
38/40Lesbare Commit-Historie — 62 von 87 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,713
agent_instruction_files—
agent_instruction_max_bytes—

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

65Gut
Wie die Bewertung erfolgt
0/18Bootstrap mit einem Befehl
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — .flake8
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — lockfile
10/10Belegte Agentenpraxis — 5 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 13 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_files—
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0,05
toolchain_manifests—
dependency_bot_commit_share0,13

AI-Code-Lesbarkeit für Modelle

54Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
54.5/55Handhabbare Dateigrößen — 2/217 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes300.766
source_files_sampled217
oversized_source_files2

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

5.174GitHub-Sterne
99Mitwirkende
42Commits, letzte 12 Monate
8Tage seit letztem Push
34Releases
1Bus-Faktor
110offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • pypi download statistics for 'mlxtend' unavailable this scan (stats endpoint failed after retries); adoption may be under-evidenced
  • pypi download figures for mlxtend carried forward from the previous scan (stats endpoint unavailable this scan)

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 916 ⇿
0Sterne
916Forks
34Releases

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.

02004006008001.000903102014-102020-092026-09
Major 0Minor 22Patch 11

Jeder Punkt umfasst 11 Tage.

OpenSSF Scorecard 6.4 / 10
6.4Gesamtwert

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 · 2026-09-17 17:54 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
10CI-Tests28 out of 28 merged PRs checked by a CI test -- score normalized to 10
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
7Code-ReviewFound 13/17 approved changesets -- score normalized to 7
10Contributorsproject has 29 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
9Licenselicense file detected
9Maintained11 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 9
10Packagingpackaging workflow detected
4Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 4
0SASTSAST tool is not run on all commits -- score normalized to 0
0Security-Policysecurity policy file not detected
k. A.Signed-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
8Vulnerabilities2 existing vulnerabilities detected
Direkte Abhängigkeiten 6
RegistryPaketVersionsvorgabeManifest
PyPIscipy>=1.16.3pyproject.toml
PyPInumpy>=2.3.5pyproject.toml
PyPIpandas>=2.3.3pyproject.toml
PyPIscikit-learn>=1.8.0pyproject.toml
PyPImatplotlib>=3.10.8pyproject.toml
PyPIjoblib>=1.5.2pyproject.toml
Alle Abhängigkeiten 116

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 12 direkte und 104 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIjoblib—direkt
PyPIjoblib1.5.3direkt
PyPImatplotlib—direkt
PyPImatplotlib3.10.8direkt
PyPInumpy—direkt
PyPInumpy2.4.0direkt
PyPIpandas—direkt
PyPIpandas2.3.3direkt
PyPIscikit-learn—direkt
PyPIscikit-learn1.8.0direkt
PyPIscipy—direkt
PyPIscipy1.16.3direkt
PyPIattrs25.4.0indirekt
PyPIbackports-tarfile1.2.0indirekt
PyPIbeautifulsoup44.14.3indirekt
PyPIblack26.5.1indirekt
PyPIbleach6.4.0indirekt
PyPIbuild1.5.0indirekt
PyPIcertifi2026.5.20indirekt
PyPIcffi2.0.0indirekt
PyPIcfgv3.5.0indirekt
PyPIcharset-normalizer3.4.7indirekt
PyPIclick8.3.1indirekt
PyPIcolorama0.4.6indirekt
PyPIcontourpy1.3.3indirekt
PyPIcoverage7.14.1indirekt
PyPIcryptography50.0.0indirekt
PyPIcycler0.12.1indirekt
PyPIdefusedxml0.7.1indirekt
PyPIdistlib0.4.1indirekt
PyPIdocutils0.23indirekt
PyPIfastjsonschema2.21.2indirekt
PyPIfilelock3.29.1indirekt
PyPIflake87.3.0indirekt
PyPIfonttools4.61.1indirekt
PyPIghp-import2.1.0indirekt
PyPIid1.6.1indirekt
PyPIidentify2.6.19indirekt
PyPIidna3.18indirekt
PyPIimportlib-metadata9.0.0indirekt
PyPIiniconfig2.3.0indirekt
PyPIisort8.0.1indirekt
PyPIjaraco-classes3.4.0indirekt
PyPIjaraco-context6.1.2indirekt
PyPIjaraco-functools4.5.0indirekt
PyPIjeepney0.9.0indirekt
PyPIjinja23.1.6indirekt
PyPIjsonschema4.25.1indirekt
PyPIjsonschema-specifications2025.9.1indirekt
PyPIjupyter-client8.7.0indirekt
PyPIjupyter-core5.9.1indirekt
PyPIjupyterlab-pygments0.3.0indirekt
PyPIkeyring25.7.0indirekt
PyPIkiwisolver1.4.9indirekt
PyPImarkdown3.10indirekt
PyPImarkdown-it-py4.2.0indirekt
PyPImarkupsafe3.0.3indirekt
PyPImccabe0.7.0indirekt
PyPImdurl0.1.2indirekt
PyPImergedeep1.3.4indirekt
PyPImistune3.3.0indirekt
PyPImkdocs1.6.1indirekt
PyPImkdocs-bootswatch1.1indirekt
PyPImkdocs-get-deps0.2.0indirekt
PyPImore-itertools11.1.0indirekt
PyPImypy-extensions1.1.0indirekt
PyPInbclient0.10.4indirekt
PyPInbconvert7.17.1indirekt
PyPInbformat5.10.4indirekt
PyPInh30.3.5indirekt
PyPInodeenv1.10.0indirekt
PyPIpackaging25.0indirekt
PyPIpandocfilters1.5.1indirekt
PyPIpathspec1.1.1indirekt
PyPIpillow12.3.0indirekt
PyPIplatformdirs4.5.1indirekt
PyPIpluggy1.6.0indirekt
PyPIpre-commit4.6.0indirekt
PyPIpycodestyle2.14.0indirekt
PyPIpycparser2.23indirekt
PyPIpyflakes3.4.0indirekt
PyPIpygments2.20.0indirekt
PyPIpyparsing3.3.1indirekt
PyPIpyproject-hooks1.2.0indirekt
PyPIpytest9.0.3indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpython-discovery1.4.0indirekt
PyPIpython-markdown-math0.9indirekt
PyPIpytokens0.4.1indirekt
PyPIpytz2025.2indirekt
PyPIpywin32-ctypes0.2.3indirekt
PyPIpyyaml6.0.3indirekt
PyPIpyyaml-env-tag1.1indirekt
PyPIpyzmq27.1.0indirekt
PyPIreadme-renderer44.0indirekt
PyPIreferencing0.37.0indirekt
PyPIrequests2.34.2indirekt
PyPIrequests-toolbelt1.0.0indirekt
PyPIrfc39862.0.0indirekt
PyPIrich15.0.0indirekt
PyPIrpds-py0.30.0indirekt
PyPIsecretstorage3.5.0indirekt
PyPIsix1.17.0indirekt
PyPIsoupsieve2.8.4indirekt
PyPIthreadpoolctl3.6.0indirekt
PyPItinycss21.4.0indirekt
PyPItornado6.5.8indirekt
PyPItraitlets5.14.3indirekt
PyPItwine6.2.0indirekt
PyPItyping-extensions4.15.0indirekt
PyPItzdata2025.3indirekt
PyPIurllib32.7.0indirekt
PyPIvirtualenv21.4.2indirekt
PyPIwatchdog6.0.0indirekt
PyPIwebencodings0.5.1indirekt
PyPIzipp4.1.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:mlxtend@0.25.0 zieht 18 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 rasbt/mlxtend teilen. Nebeneinander lesen →

100scikit-learn/scikit-learnscikit-learn: machine learning in PythonAußergewöhnlich100apache/airflowApache Airflow - A platform to programmatically author, schedule, and monitor workflowsAußergewöhnlich100streamlit/streamlitStreamlit — A faster way to build and share data apps.Außergewöhnlich99kedro-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.Außergewöhnlich99voxel51/fiftyoneRefine high-quality datasets and visual AI modelsAußergewöhnlich99gradio-app/gradioBuild and share delightful machine learning apps, all in Python. 🌟 Star to support our work!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.