Registro público
Informe de salud del softwareesquema 0.34.0 · métricas 2.10.0 · 2026-10-19 17:04 UTC

adidas / lakehouse-engine

The Lakehouse Engine is a configuration driven Spark framework, written in Python, serving as a scalable and distributed engine for several lakehouse algorithms, data flows and utilities for Data Products.

PythonApache-2.0★ 293 estrellas⑂ 54 forksdesde nov 2022Ver en GitHub ↗
TipoBibliotecacómo se determina
#big-data#configuration-driven#data-engineering#data-quality#databricks#delta-lake#framework#great-expectations#lakehouse#spark

adidas/lakehouse-engine tiene un índice de salud de 60 sobre 100, lo que lo sitúa en la banda Moderado. Su puntuación más alta es Engineering Quality (74/100) y la más baja, Security (17/100). Se actualizó por última vez hace 62 días. Una sola persona concentra la mayor parte del trabajo reciente.

60
global / 100
Moderado

Índice de salud del software

Las métricas se agrupan en categorías ponderadas sobre una escala estandarizada de 1 a 100. El resultado global parte de su media ponderada, calibrada contra la distribución del registro público para que las bandas tengan significado percentil; cuando la evidencia pública activa la Política de Jurisdicciones de Alto Riesgo, la calificación se ajusta y recibe un límite «En riesgo» de 34.

60
Excepcional93-100El nivel más alto del registro (≈ el 5% superior); cumple prácticamente todos los criterios evaluados
Excelente80-92Sólido en todos los frentes; carencias menores
Bueno65-79Saludable; carencias limitadas y manejables
Moderado50-64Aceptable con carencias notables; se recomienda revisión
Débil35-49Debilidades sustanciales en varias áreas
En riesgo20-34Debilidades significativas; su adopción exige cautela
Crítico1-19Problemas graves (proyecto abandonado, un solo mantenedor, sin higiene)
VitalidadComunidad yAdopciónSostenibilidady GobernanzaCalidad deIngenieríaSeguridadPreparaciónpara IA

Perfil de puntuación

Cada eje es una categoría. La forma importa más que la media: un proyecto sano llena toda la figura, mientras que un perfil de picos y cráteres indica que la fortaleza en una dimensión enmascara el riesgo en otra.

El resultado global ponderado 57 se calibra a 60 en la escala publicada del índice (calibración del registro 2026-08-02).

Titularidad

adidasOrganización · dominio verificado
221 seguidores34 repositorios públicosdesde ene 2018

Este repositorio está respaldado por una organización: una custodia compartida y responsable que puede sobrevivir a cualquier mantenedor individual.

Ecosistemas de paquetes

RegistroPaqueteVersiónDescargas / mesVersionesÚltima publicaciónEtiquetas
PyPIlakehouse-engine2.2.0391025hace 62 díasframeworkbig-datasparkdatabricksdata-qualitydata-engineeringgreat-expectationslakehousedelta-lakeconfiguration-driver

Métricas por categoría

Vitalidad

¿Está vivo el proyecto: se escribe código y se publican versiones?

54Moderado · 21% del índice global

Actividad de desarrollo

29En riesgo
Cómo se puntúa
18/36Recencia de push — último push hace 62 días
2.1/36Cadencia de commits — 3/52 semanas con commits
6.3/18Volumen de commits — 4 commits en el último año
0/10OpenSSF Scorecard: Maintained — sin datos
Datos de entrada utilizados
commits_last_year4
human_commit_share1
days_since_last_push62
active_weeks_last_year3

Disciplina de publicación

92Excelente
Cómo se puntúa
27/27Publica versiones — 21 versiones publicadas
36/36Recencia de las versiones — última versión hace 62 días
19.8/27Cadencia de publicación — una versión cada ~62,1 días
0/10OpenSSF Scorecard: Signed-Releases — sin datos
Datos de entrada utilizados
releases_count21
latest_release_tagv2.2.0
releases_from_tagsno
days_since_latest_release62
mean_days_between_releases62,1

Comunidad y Adopción

¿Tiene el proyecto usuarios, descargas, atención y unas condiciones acogedoras para quienes contribuyen?

66Bueno · 17% del índice global

Popularidad y adopción

61Moderado
Cómo se puntúa
40/60Estrellas — 293 estrellas
14.4/25Forks — 54 forks
6.7/15Observadores — 17 observadores
Datos de entrada utilizados
forks54
stars293
watchers17
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Salud de la comunidad

77Bueno
Cómo se puntúa
22.5/22.5README
22.5/22.5Licencia — licencia reconocida (Apache-2.0)
18/18Guía CONTRIBUTING
0/13.5Código de conducta
0/7.2Plantilla de issues
6.3/6.3Plantilla de PR
Datos de entrada utilizados
has_readmesí
has_licensesí
readme_badges0
has_contributingsí
has_issue_templateno
has_code_of_conductno
readme_badge_services—
has_pull_request_templatesí

Adopción en el ecosistema (descargas)

60Moderado
Cómo se puntúa
47.9/80Descargas mensuales — 3910 descargas/mes en pypi
0/20Dependientes en el registro — no lo informa este ecosistema
Datos de entrada utilizados
packageslakehouse-engine
dependents—
ecosystemspypi
total_downloads—
monthly_downloads3910
unverified_packages_excluded—
Excluidos de la puntuación (sin datos o no aplicable): Dependientes en el registro. Los pesos restantes se han renormalizado.

Sostenibilidad y Gobernanza

¿Sobrevivirá el proyecto a sus personas: factor bus, capacidad de respuesta, quién lo respalda y mantenimiento del paquete?

64Moderado · 23% del índice global

Resiliencia de mantenedores (factor bus)

12Crítico
Cómo se puntúa
9/54Factor bus — la mitad de los commits recae en 1 contribuyente(s)
0/22.5Distribución de commits — el principal contribuyente firma el 100% de los commits
1.4/13.5Amplitud de contribuyentes — 1 contribuyentes
0/10OpenSSF Scorecard: Contributors — sin datos
Datos de entrada utilizados
bus_factor1
contributors_sampled1
top_contributor_share1

Capacidad de respuesta a issues y PR

70Bueno
Cómo se puntúa
28/42Resolución de issues — 67% de issues cerradas
22.5/30Aceptación de PR — 3/4 PR decididos fusionados
0/13Newcomer PR acceptance — ningún PR de un contribuyente primerizo decidido en 30 d
0/15OpenSSF Scorecard: Code-Review — sin datos
Datos de entrada utilizados
merged_prs3
open_issues1
closed_issues2
prs_merged_7d0
prs_decided_7d0
prs_merged_30d0
prs_decided_30d0
issue_closed_ratio0,667
closed_unmerged_prs1
first_time_authors_30d0
first_time_prs_merged_30d0
first_time_prs_decided_30d0
Excluidos de la puntuación (sin datos o no aplicable): Newcomer PR acceptance. Los pesos restantes se han renormalizado.

Propiedad y custodia

90Excelente
Cómo se puntúa
30/30Respaldo de la propiedad — propiedad de una organización
20/20Dominio verificado
16.9/25Alcance del propietario — 221 seguidores de adidas
23.2/25Trayectoria — 34 repos públicos, cuenta de ~8 años
Datos de entrada utilizados
followers221
owner_typeOrganization
is_verifiedsí
owner_loginadidas
public_repos34
account_age_days3209

Mantenimiento de paquetes

100Excepcional
Cómo se puntúa
25/25Publicado y resoluble — 1 paquete(s) en pypi
35/35Recencia de publicación — última publicación hace 62 días
20/20Historial de versiones — 25 versiones en el registro
20/20No obsoleto — activo, ni obsoleto ni retirado
Datos de entrada utilizados
packageslakehouse-engine
ecosystemspypi
any_deprecatedno
min_days_since_publish62

Calidad de Ingeniería

¿Existen unas prácticas mínimas de ingeniería y documentación?

74Bueno · 19% del índice global

Prácticas de ingeniería

80Excelente
Cómo se puntúa
24/24Flujos de trabajo de CI — 1 flujo(s) de trabajo
24/24Pruebas presentes
16/16Configuración de linter — pyproject.toml ([tool.isort])
0/9.6Hooks de pre-commit
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — sin datos
Datos de entrada utilizados
has_cisí
has_testssí
has_editorconfigno
has_linter_configsí
has_precommit_configno

Documentación

65Bueno
Cómo se puntúa
30/30README
0/25Directorio de documentación
15/15Sitio de documentación / página del proyecto — https://adidas.github.io/lakehouse-engine-docs/
10/10Descripción del repositorio
10/10Topics — 10 topics
0/10Wiki
Datos de entrada utilizados
topicsbig-data, configuration-driven, data-engineering, data-quality, databricks, delta-lake, framework, great-expectations, lakehouse, spark
has_wikino
homepagehttps://adidas.github.io/lakehouse-engine-docs/
docs_sitehttps://adidas.github.io/lakehouse-engine-docs/
has_readmesí
has_docs_dirno
has_descriptionsí

Seguridad

¿Son sólidas las prácticas visibles de seguridad y de cadena de suministro, sin exposición jurisdiccional de alto riesgo sin resolver?

17Crítico · 16% del índice global

Postura de seguridad

1Crítico
Cómo se puntúa
0/30Política de seguridad (SECURITY.md)
0/25Configuración de Dependabot
0/25Lockfiles de dependencias — biblioteca publicada — los lockfiles son cosa de las aplicaciones, no se esperan aquí
0/20Flujo de trabajo de CodeQL
Datos de entrada utilizados
sourcefile_signals
lockfiles—
manifestscicd/requirements.txt, cicd/requirements_azure.txt, cicd/requirements_cicd.txt, cicd/requirements_dq.txt, cicd/requirements_os.txt, cicd/requirements_sftp.txt, cicd/requirements_sharepoint.txt, pyproject.toml
has_codeql_workflowno
has_security_policyno
has_dependabot_configno
Excluidos de la puntuación (sin datos o no aplicable): Lockfiles de dependencias. Los pesos restantes se han renormalizado.

Avisos de dependencias

79Bueno
Cómo se puntúa
14/35Dependencias directas libres de avisos conocidos — 1 afectados: urllib3 2.7.0 (high 7.5)
25/25Dependencias indirectas libres de avisos conocidos — ninguna dependencia indirecta tiene un aviso conocido
40/40Sin avisos pendientes — ningún aviso lleva público más de 90 días
Datos de entrada utilizados
sourceosv
advisories6
affected_packages1
assessed_packages13
unassessed_packages0
affected_by_severityhigh 1
direct_affected_packages1
Se cotejó el cierre de dependencias en tiempo de ejecución de pypi:lakehouse-engine@2.2.0 —lo que arrastra la instalación del paquete publicado—: 13 paquetes. No se analiza la alcanzabilidad.

Preparación para IA

¿Hasta qué punto está el repositorio preparado para desarrollarse y mantenerse con agentes de codificación de IA? Tiene un peso deliberadamente pequeño (4%): las herramientas para agentes son una señal real de mantenimiento, pero un repositorio sin ninguna puede alcanzar igualmente 100/100.

65Bueno · 4% del índice global

Contexto y guía para agentes

48Débil
Cómo se puntúa
45/45Instrucciones para agentes — AGENTS.md
0/15Documentación legible por máquinas (llms.txt)
3.4/40Historial de commits legible — 2 de 31 commits humanos declaran su intención (asunto estructurado o cuerpo explicativo)
Datos de entrada utilizados
has_llms_txtno
llms_txt_url—
legible_history_share0,065
agent_instruction_filesAGENTS.md
agent_instruction_max_bytes9077

Bucle de verificación (compilación / pruebas / verificación de tipos)

68Bueno
Cómo se puntúa
18/18Arranque con un solo comando — Makefile
22/22Pruebas automatizadas
11/11Configuración de lint / formato — pyproject.toml ([tool.isort])
0/11Verificación estática de tipos
10/10Entorno reproducible — Dockerfile
0/10Práctica demostrada con agentes — ningún commit con autoría de agente entre los últimos 31
0/8Mantenimiento automatizado — no se observan actualizaciones automáticas de dependencias
0/10OpenSSF Scorecard: Pinned-Dependencies — sin datos
Datos de entrada utilizados
has_nixno
has_testssí
lockfiles—
has_dockerfilesí
typed_languageno
bootstrap_filesMakefile
has_devcontainerno
has_linter_configsí
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0

Legibilidad del código para modelos

55Moderado
Cómo se puntúa
0/45Código verificable por tipos — Python sin configuración de verificación de tipos
54.8/55Tamaños de archivo manejables — 1/266 archivos fuente de más de 60 KB
Datos de entrada utilizados
primary_languagePython
largest_source_bytes75.672
source_files_sampled266
oversized_source_files1

Interfaces legibles por máquina

100Excepcional
Cómo se puntúa
0/40Esquema de API (OpenAPI/GraphQL/proto) — no aplicable a este tipo de software
0/20Servidor MCP — no aplicable a este tipo de software
40/40Ejemplos ejecutables — samples
Datos de entrada utilizados
example_dirssamples
has_mcp_signalno
api_schema_files—
interfaces_expected_of—
Excluidos de la puntuación (sin datos o no aplicable): Esquema de API (OpenAPI/GraphQL/proto), Servidor MCP. Los pesos restantes se han renormalizado.

Datos clave

293estrellas de GitHub
1contribuidores
4commits en los últimos 12 meses
62días desde el último push
21versiones publicadas
1factor bus
1issues abiertas
PyPIecosistemas de paquetes

Advertencias de recopilación de datos

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • pypi download statistics for 'lakehouse-engine' unavailable this scan (stats endpoint failed after retries); adoption may be under-evidenced
  • pypi download figures for lakehouse-engine carried forward from the previous scan (stats endpoint unavailable this scan)
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit); skipping Scorecard checks

Más detalle

Historial de estrellas y forks 0 ★ / 54 ⇿
0Estrellas
54Forks
18Versiones

Cuándo se añadió cada estrella y fork, recopilado de GitHub y agrupado por día. El crecimiento acumulado se sitúa justo encima de las adiciones diarias que lo componen, de modo que ambos se leen en conjunto: la acumulación orgánica sostenida no se parece en nada a un pico abrupto y efímero. Cuando esa diferencia es medible, se informa como autenticidad del crecimiento.

01020304050605352023-102025-042026-09
Mayor 1Menor 12Parche 5

Cada punto abarca 3 días.

Todas las dependencias 77

Conjunto completo de dependencias resueltas según el grafo de dependencias de GitHub: 0 paquetes directos y 77 indirectos (transitivos). El cierre transitivo es completo cuando el repositorio incluye un lockfile.

RegistroPaqueteVersiónRelación
PyPIaiohttp3.13.3indirecta
PyPIaiosmtpd1.4.6indirecta
PyPIazure-core1.38.0indirecta
PyPIbandit1.8.6indirecta
PyPIblack24.4.0indirecta
PyPIboto31.40.23indirecta
PyPIbuild1.3.0indirecta
PyPIbump2version1.0.1indirecta
PyPIcachecontrol0.14.4indirecta
PyPIdelta-spark4.0.0indirecta
PyPIdistlib0.3.6indirecta
PyPIfilelock3.20.3indirecta
PyPIflake87.3.0indirecta
PyPIflake8-black0.3.6indirecta
PyPIflake8-bugbear24.12.12indirecta
PyPIflake8-builtins3.0.0indirecta
PyPIflake8-cognitive-complexity0.1.0indirecta
PyPIflake8-comprehensions3.16.0indirecta
PyPIflake8-docstrings1.7.0indirecta
PyPIflake8-eradicate1.5.0indirecta
PyPIflake8-expression-complexity0.0.11indirecta
PyPIflake8-isort6.1.2indirecta
PyPIflake8-mutable1.2.0indirecta
PyPIflake8-quotes3.4.0indirecta
PyPIghp-import2.1.0indirecta
PyPIgreat-expectations1.11.0indirecta
PyPIgriffe1.15.0indirecta
PyPIh24.3.0indirecta
PyPIimportlib-resources6.5.2indirecta
PyPIisort6.0.1indirecta
PyPIjinja23.1.6indirecta
PyPIlxml6.0.0indirecta
PyPImarkdown3.10indirecta
PyPImarkdown-callouts0.4.0indirecta
PyPImarkdown-exec1.12.1indirecta
PyPImarkdown-include0.8.1indirecta
PyPImarshmallow3.26.2indirecta
PyPImergedeep1.3.4indirecta
PyPImike2.0.0indirecta
PyPImkdocs1.6.1indirecta
PyPImkdocs-autorefs1.4.3indirecta
PyPImkdocs-gen-files0.6.0indirecta
PyPImkdocs-literate-nav0.6.2indirecta
PyPImkdocs-macros-plugin1.5.0indirecta
PyPImkdocs-material9.7.1indirecta
PyPImkdocs-material-extensions1.3.1indirecta
PyPImkdocs-section-index0.3.10indirecta
PyPImkdocstrings1.0.0indirecta
PyPImkdocstrings-crystal0.3.9indirecta
PyPImkdocstrings-python2.0.1indirecta
PyPImoto4.2.14indirecta
PyPImsal1.32.3indirecta
PyPImsgraph-sdk1.40.0indirecta
PyPImypy1.17.1indirecta
PyPInest-asyncio1.6.0indirecta
PyPIparamiko4.0.0indirecta
PyPIpendulum3.1.0indirecta
PyPIpip-audit2.10.0indirecta
PyPIpip-tools7.5.0indirecta
PyPIpymdown-extensions10.20indirecta
PyPIpynacl1.6.2indirecta
PyPIpyspark4.0.0indirecta
PyPIpytest8.4.1indirecta
PyPIpytest-cov6.2.1indirecta
PyPIpytest-sftpserver1.3.0indirecta
PyPIpyyaml6.0.2indirecta
PyPIpyyaml-env-tag0.1indirecta
PyPIregex2023.6.3indirecta
PyPIrequests2.32.4indirecta
PyPItenacity9.0.0indirecta
PyPItwine5.1.1indirecta
PyPItypes-boto31.40.23indirecta
PyPItypes-paramiko2.12.0indirecta
PyPItypes-requests—indirecta
PyPIurllib32.6.3indirecta
PyPIwatchdog3.0.0indirecta
PyPIwerkzeug3.1.6indirecta
Avisos de dependencias 1

Instalar pypi:lakehouse-engine@2.2.0 arrastra 13 paquetes, directos y transitivos: 1 tienen avisos conocidos, de los cuales 1 son dependencias directas.

PaqueteVersiónRelaciónGravedadAvisosCorregido en
urllib32.7.0directaalta62.8.0

Un aviso significa que la versión registrada en el grafo de dependencias cae dentro del rango afectado de un aviso. No se analiza la alcanzabilidad, y el grafo incluye fijaciones de desarrollo y prueba: un hallazgo puede referirse al utillaje y no al software distribuido.

Informe JSON sin procesar legible por máquina

Comentarios

¿Algo no cuadra en este informe, o hay ideas que compartir? Mediciones erróneas, herramientas no detectadas, ideas, preguntas: todo es bienvenido. Cada mensaje se lee y recibe respuesta.

El mensaje se conserva durante el inicio de sesión.

Registros relacionados

Repositorios inspeccionados que comparten etiquetas de catálogo o ecosistemas con adidas/lakehouse-engine. Leer en paralelo →

98delta-io/deltaAn open-source storage framework that enables building a Lakehouse architecture with compute engines including Spark, PrestoDB, Flink, Trino, and Hive and APIsExcepcional98feast-dev/feastThe Open Source Feature Store for AI/MLExcepcional97datacontract/datacontract-cliEnforce Data ContractsExcepcional97microsoft/SynapseMLSimple and Distributed Machine Learning Python Library porting ML algorithms for SparkExcepcional96StarRocks/starrocksThe world's fastest open query engine for sub-second analytics both on and off the data lakehouse. With the flexibility to support nearly any scenario, StarRocks provides best-in-class performance for multi-dimensional analytics, real-time analytics, and ad-hoc queries. A Linux Foundation project.Excepcional98delta-io/delta-rsA native Rust library for Delta Lake, with bindings into PythonExcepcional

Las puntuaciones son señales, no garantías. Reflejan prácticas públicamente visibles en GitHub; no son una auditoría de código ni una garantía de seguridad.

Los datos ausentes se excluyen y los pesos se renormalizan; nunca se puntúan como cero. La metodología es versionada y abierta: métricas v2.10.0, esquema v0.34.0 — metodología completa · wiki de métricas.

Cómo se sitúa un resultado dentro del registro general: estadísticas agregadas — PyPI.