Registro público
Informe de salud del softwareesquema 0.34.0 · métricas 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 NotebookLicencia propia★ 103 estrellas⑂ 45 forksdesde oct 2022Ver en GitHub ↗
TipoHerramienta de línea de comandosBibliotecacómo se determina
#forecasting#xindustry

databricks-industry-solutions/many-model-forecasting tiene un índice de salud de 73 sobre 100, lo que lo sitúa en la banda Bueno. Su puntuación más alta es Vitality (92/100) y la más baja, Engineering Quality (53/100). Se actualizó por última vez hoy. Una sola persona concentra la mayor parte del trabajo reciente.

73
global / 100
Bueno

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.

73
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 64 se calibra a 73 en la escala publicada del índice (calibración del registro 2026-08-02).

Titularidad

Databricks Industry SolutionsOrganización
862 seguidores224 repositorios públicosdesde may 2022

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

Ecosistemas de paquetes

RegistroPaqueteVersiónDescargas / mesVersionesÚltima publicación
PyPIskill-test0.4.0144hace 2136 días

Métricas por categoría

Vitalidad

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

92Excelente · 21% del índice global

Actividad de desarrollo

86Excelente
Cómo se puntúa
36/36Recencia de push — último push hace 0 días
22.2/36Cadencia de commits — 32/52 semanas con commits
18/18Volumen de commits — 312 commits en el último año
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
Datos de entrada utilizados
commits_last_year312
human_commit_share0,84
days_since_last_push0
active_weeks_last_year32

Disciplina de publicación

100Excepcional
Cómo se puntúa
27/27Publica versiones — 9 versiones publicadas
36/36Recencia de las versiones — última versión hace 60 días
27/27Cadencia de publicación — una versión cada ~18,6 días
0/10OpenSSF Scorecard: Signed-Releases — sin datos
Datos de entrada utilizados
releases_count9
latest_release_tagv0.1.7
releases_from_tagsno
days_since_latest_release60
mean_days_between_releases18,6
Excluidos de la puntuación (sin datos o no aplicable): OpenSSF Scorecard: Signed-Releases. Los pesos restantes se han renormalizado.

Comunidad y Adopción

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

57Moderado · 17% del índice global

Popularidad y adopción

50Moderado
Cómo se puntúa
32.6/60Estrellas — 103 estrellas
13.7/25Forks — 45 forks
3.9/15Observadores — 6 observadores
Datos de entrada utilizados
forks45
stars103
watchers6
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Salud de la comunidad

64Moderado
Cómo se puntúa
22.5/22.5README
16.9/22.5Licencia — archivo de licencia presente, no es una licencia reconocida
18/18Guía CONTRIBUTING
0/13.5Código de conducta
0/7.2Plantilla de issues
0/6.3Plantilla 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_templateno

Sostenibilidad y Gobernanza

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

56Moderado · 23% del índice global

Resiliencia de mantenedores (factor bus)

29En riesgo
Cómo se puntúa
9/54Factor bus — la mitad de los commits recae en 1 contribuyente(s)
4.4/22.5Distribución de commits — el principal contribuyente firma el 80% de los commits
9.5/13.5Amplitud de contribuyentes — 7 contribuyentes
6/10OpenSSF Scorecard: Contributors — project has 2 contributing companies or organizations -- score normalized to 6
Datos de entrada utilizados
bus_factor1
contributors_sampled7
top_contributor_share0,803

Capacidad de respuesta a issues y PR

67Bueno
Cómo se puntúa
30.5/42Resolución de issues — 73% de issues cerradas
28.2/30Aceptación de PR — 184/196 PR decididos fusionados
0/13Newcomer PR acceptance — ningún PR de un contribuyente primerizo decidido en 30 d
0/15OpenSSF Scorecard: Code-Review — Found 0/3 approved changesets -- score normalized to 0
Datos de entrada utilizados
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
Excluidos de la puntuación (sin datos o no aplicable): Newcomer PR acceptance. Los pesos restantes se han renormalizado.

Propiedad y custodia

73Bueno
Cómo se puntúa
30/30Respaldo de la propiedad — propiedad de una organización
0/20Dominio verificado
21.1/25Alcance del propietario — 862 seguidores de databricks-industry-solutions
21.6/25Trayectoria — 224 repos públicos, cuenta de ~4 años
Datos de entrada utilizados
followers862
owner_typeOrganization
is_verifiedno
owner_logindatabricks-industry-solutions
public_repos224
account_age_days1563

Mantenimiento de paquetes

61Moderado
Cómo se puntúa
25/25Publicado y resoluble — 1 paquete(s) en pypi
4/35Recencia de publicación — última publicación hace 2136 días
12/20Historial de versiones — 4 versiones en el registro
20/20No obsoleto — activo, ni obsoleto ni retirado
Datos de entrada utilizados
packagesskill-test
ecosystemspypi
any_deprecatedno
min_days_since_publish2136

Calidad de Ingeniería

¿Existen unas prácticas mínimas de ingeniería y documentación?

53Moderado · 19% del índice global

Prácticas de ingeniería

48Débil
Cómo se puntúa
24/24Flujos de trabajo de CI — 5 flujo(s) de trabajo
24/24Pruebas presentes
0/16Configuración de linter
0/9.6Hooks de pre-commit
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — 0 out of 14 merged PRs checked by a CI test -- score normalized to 0
Datos de entrada utilizados
has_cisí
has_testssí
has_editorconfigno
has_linter_configno
has_precommit_configno

Documentación

60Moderado
Cómo se puntúa
30/30README
0/25Directorio de documentación
0/15Sitio de documentación / página del proyecto
10/10Descripción del repositorio
10/10Topics — 2 topics
10/10Wiki
Datos de entrada utilizados
topicsforecasting, xindustry
has_wikisí
homepage—
docs_site—
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?

61Moderado · 16% del índice global

Postura de seguridad

51Moderado
Cómo se puntúa
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
2.2/2.5Licencia — 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 — sin datos
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 — sin datos
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
6/7.5Vulnerabilities — 2 existing vulnerabilities detected
Datos de entrada utilizados
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate5,1
Excluidos de la puntuación (sin datos o no aplicable): Packaging, Signed-Releases. Los pesos restantes se han renormalizado.

Avisos de dependencias

100Excepcional
Cómo se puntúa
35/35Dependencias directas libres de avisos conocidos — ninguna dependencia directa tiene un aviso conocido
25/25Dependencias indirectas libres de avisos conocidos — ninguna dependencia indirecta tiene un aviso conocido
0/40Sin avisos pendientes — ningún aviso tiene fecha de publicación
Datos de entrada utilizados
sourceosv
advisories0
affected_packages0
assessed_packages8
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Excluidos de la puntuación (sin datos o no aplicable): Sin avisos pendientes. Los pesos restantes se han renormalizado. Se cotejó el cierre de dependencias en tiempo de ejecución de pypi:skill-test@0.4.0 —lo que arrastra la instalación del paquete publicado—: 8 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.

69Bueno · 4% del índice global

Contexto y guía para agentes

100Excepcional
Cómo se puntúa
45/45Instrucciones para agentes — CLAUDE.md
15/15Documentación legible por máquinas (llms.txt) — llms.txt servido por el sitio web del proyecto (https://docs.databricks.com/llms.txt)
40/40Historial de commits legible — 79 de 84 commits humanos declaran su intención (asunto estructurado o cuerpo explicativo)
Datos de entrada utilizados
has_llms_txtsí
llms_txt_urlhttps://docs.databricks.com/llms.txt
legible_history_share0,94
agent_instruction_filesCLAUDE.md
agent_instruction_max_bytes1714

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

40Débil
Cómo se puntúa
0/18Arranque con un solo comando
22/22Pruebas automatizadas
0/11Configuración de lint / formato
0/11Verificación estática de tipos
10/10Entorno reproducible — devcontainer, Dockerfile, lockfile
0/10Práctica demostrada con agentes — ningún commit con autoría de agente entre los últimos 100
8/8Mantenimiento automatizado — 16 de los últimos 100 commits son actualizaciones automáticas de dependencias
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Datos de entrada utilizados
has_nixno
has_testssí
lockfilesuv.lock
has_dockerfilesí
typed_languageno
bootstrap_files—
has_devcontainersí
has_linter_configno
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0,16

Legibilidad del código para modelos

54Moderado
Cómo se puntúa
0/45Código verificable por tipos — Python sin configuración de verificación de tipos
54.4/55Tamaños de archivo manejables — 1/99 archivos fuente de más de 60 KB
Datos de entrada utilizados
primary_languagePython
largest_source_bytes63.634
source_files_sampled99
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 — examples, notebooks
Datos de entrada utilizados
example_dirsexamples, notebooks
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

103estrellas de GitHub
7contribuidores
312commits en los últimos 12 meses
0días desde el último push
9versiones publicadas
1factor bus
3issues abiertas
PyPIecosistemas de paquetes

Advertencias de recopilación de datos

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

Más detalle

Historial de estrellas y forks 0 ★ / 45 ⇿
0Estrellas
45Forks
9Versiones

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.

010203040504432023-022024-112026-08
Mayor 1Menor 1Parche 7

Cada punto abarca 4 días.

OpenSSF Scorecard 5.1 / 10
5.1agregado

Evaluación de seguridad independiente y agnóstica en cuanto a herramientas, procedente del proyecto de código abierto OpenSSF Scorecard. Cada comprobación premia una práctica de seguridad, no la herramienta de un proveedor concreto. Las comprobaciones que Scorecard no pudo determinar se marcan como n/d y se excluyen de la puntuación de seguridad (nunca se cuentan como cero).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
n/dPackagingpackaging 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
n/dSigned-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
8Vulnerabilities2 existing vulnerabilities detected
Dependencias directas 6
RegistroPaqueteRestricción de versiónManifiesto
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
Todas las dependencias 183

Conjunto completo de dependencias resueltas según el grafo de dependencias de GitHub: 6 paquetes directos y 177 indirectos (transitivos). El cierre transitivo es completo cuando el repositorio incluye un lockfile.

RegistroPaqueteVersiónRelación
PyPImlflow—directa
PyPImlflow3.16.0directa
PyPIomegaconf2.3.0directa
PyPIpython-dotenv1.2.2directa
PyPIpyyaml6.0.3directa
PyPIsktime0.40.1directa
PyPIaiohappyeyeballs2.6.2indirecta
PyPIaiohttp3.14.3indirecta
PyPIaiosignal1.4.0indirecta
PyPIalembic1.18.3indirecta
PyPIannotated-doc0.0.4indirecta
PyPIannotated-types0.7.0indirecta
PyPIanyio4.12.1indirecta
PyPIasync-timeout5.0.1indirecta
PyPIattrs26.1.0indirecta
PyPIazure-core1.38.0indirecta
PyPIazure-storage-blob12.28.0indirecta
PyPIazure-storage-file-datalake12.23.0indirecta
PyPIbackports-asyncio-runner1.2.0indirecta
PyPIblinker1.9.0indirecta
PyPIboto31.42.41indirecta
PyPIbotocore1.42.41indirecta
PyPIcachetools6.2.6indirecta
PyPIcertifi2026.1.4indirecta
PyPIcffi2.0.0indirecta
PyPIcharset-normalizer3.4.4indirecta
PyPIchronos-forecasting2.2.2indirecta
PyPIclick8.3.1indirecta
PyPIcloudpickle3.1.2indirecta
PyPIcmdstanpy1.2.5indirecta
PyPIcolorama0.4.6indirecta
PyPIcontourpy1.3.2indirecta
PyPIcontourpy1.3.3indirecta
PyPIcryptography50.0.0indirecta
PyPIcycler0.12.1indirecta
PyPIdash-bootstrap-components—indirecta
PyPIdatabricks-agents1.4.0indirecta
PyPIdatabricks-connect14.3.2indirecta
PyPIdatabricks-connect18.1.2indirecta
PyPIdatabricks-sdk—indirecta
PyPIdatabricks-sdk0.84.0indirecta
PyPIdatabricks-sql-connector—indirecta
PyPIdataclasses-json0.6.7indirecta
PyPIdistro1.9.0indirecta
PyPIdocker7.1.0indirecta
PyPIduckdb1.4.4indirecta
PyPIexceptiongroup1.3.1indirecta
PyPIfastapi0.136.3indirecta
PyPIflask3.1.3indirecta
PyPIflask-cors6.0.2indirecta
PyPIfonttools4.61.1indirecta
PyPIfrozenlist1.8.0indirecta
PyPIgepa0.1.0indirecta
PyPIgitdb4.0.12indirecta
PyPIgitpython3.1.59indirecta
PyPIgoogle-api-core2.29.0indirecta
PyPIgoogle-auth2.48.0indirecta
PyPIgoogle-cloud-core2.5.0indirecta
PyPIgoogle-cloud-storage3.9.0indirecta
PyPIgoogle-crc32c1.8.0indirecta
PyPIgoogle-resumable-media2.8.0indirecta
PyPIgoogleapis-common-protos1.72.0indirecta
PyPIgraphene3.4.3indirecta
PyPIgraphql-core3.2.7indirecta
PyPIgraphql-relay3.2.0indirecta
PyPIgreenlet3.3.1indirecta
PyPIgrpcio1.80.0indirecta
PyPIgrpcio-status1.80.0indirecta
PyPIgunicorn23.0.0indirecta
PyPIh110.16.0indirecta
PyPIhierarchicalforecast1.5.1indirecta
PyPIhttpcore1.0.9indirecta
PyPIhttpx0.28.1indirecta
PyPIhuey2.6.0indirecta
PyPIidna3.15indirecta
PyPIimportlib-metadata8.7.1indirecta
PyPIiniconfig2.3.0indirecta
PyPIisodate0.7.2indirecta
PyPIitsdangerous2.2.0indirecta
PyPIjinja23.1.6indirecta
PyPIjiter0.13.0indirecta
PyPIjmespath1.1.0indirecta
PyPIjoblib1.5.3indirecta
PyPIjsonpatch1.33indirecta
PyPIjsonpointer3.0.0indirecta
PyPIkiwisolver1.4.9indirecta
PyPIlangchain-core1.3.3indirecta
PyPIlangchain-openai1.1.14indirecta
PyPIlangchain-protocol0.0.15indirecta
PyPIlangsmith0.8.18indirecta
PyPIlightgbm4.6.0indirecta
PyPImako1.3.12indirecta
PyPImarkupsafe3.0.3indirecta
PyPImarshmallow3.26.2indirecta
PyPImatplotlib3.10.8indirecta
PyPImlflow-skinny3.16.0indirecta
PyPImlflow-tracing3.16.0indirecta
PyPImlforecast1.0.31indirecta
PyPImultidict6.7.1indirecta
PyPImypy-extensions1.1.0indirecta
PyPIneuralforecast3.1.4indirecta
PyPInumpy2.2.6indirecta
PyPInumpy2.4.2indirecta
PyPIopenai2.32.0indirecta
PyPIopentelemetry-api1.39.1indirecta
PyPIopentelemetry-proto1.39.1indirecta
PyPIopentelemetry-sdk1.39.1indirecta
PyPIopentelemetry-semantic-conventions0.60b1indirecta
PyPIoptuna3.6.1indirecta
PyPIorjson3.11.7indirecta
PyPIpackaging25.0indirecta
PyPIpandas—indirecta
PyPIpandas2.2.3indirecta
PyPIpandas2.3.3indirecta
PyPIpillow12.3.0indirecta
PyPIpluggy1.6.0indirecta
PyPIpolars—indirecta
PyPIprettytable3.17.0indirecta
PyPIpropcache0.5.2indirecta
PyPIprophet1.1.6indirecta
PyPIproto-plus1.27.1indirecta
PyPIprotobuf6.33.5indirecta
PyPIpy4j0.10.9.7indirecta
PyPIpy4j0.10.9.9indirecta
PyPIpyarrow—indirecta
PyPIpyarrow23.0.1indirecta
PyPIpyasn10.6.4indirecta
PyPIpyasn1-modules0.4.2indirecta
PyPIpycparser3.0indirecta
PyPIpydantic2.12.5indirecta
PyPIpydantic-core2.41.5indirecta
PyPIpygments2.20.0indirecta
PyPIpyparsing3.3.2indirecta
PyPIpyspark3.4.4indirecta
PyPIpytest9.0.3indirecta
PyPIpytest-asyncio1.3.0indirecta
PyPIpython-dateutil2.9.0.post0indirecta
PyPIpytz2025.2indirecta
PyPIpywin32311indirecta
PyPIregex2026.1.15indirecta
PyPIrequests2.33.0indirecta
PyPIrequests-toolbelt1.0.0indirecta
PyPIrsa4.9.1indirecta
PyPIs3transfer0.16.0indirecta
PyPIscikit-learn1.7.2indirecta
PyPIscikit-learn1.8.0indirecta
PyPIscipy—indirecta
PyPIscipy1.15.3indirecta
PyPIscipy1.17.0indirecta
PyPIsetuptools83.0.0indirecta
PyPIsix1.17.0indirecta
PyPIskill-test0.1.0indirecta
PyPIskops0.13.0indirecta
PyPIsmmap5.0.2indirecta
PyPIsniffio1.3.1indirecta
PyPIsqlalchemy2.0.46indirecta
PyPIsqlglot29.0.1indirecta
PyPIsqlparse0.6.0indirecta
PyPIstarlette1.3.1indirecta
PyPIstatsforecast2.0.0indirecta
PyPItenacity9.1.2indirecta
PyPIthreadpoolctl3.6.0indirecta
PyPItiktoken0.12.0indirecta
PyPItimesfm—indirecta
PyPItomli2.4.0indirecta
PyPItqdm4.67.3indirecta
PyPItyping-extensions4.15.0indirecta
PyPItyping-inspect0.9.0indirecta
PyPItyping-inspection0.4.2indirecta
PyPItzdata2025.3indirecta
PyPIurllib32.7.0indirecta
PyPIutilsforecast0.2.15indirecta
PyPIuuid-utils0.14.0indirecta
PyPIuvicorn0.40.0indirecta
PyPIwaitress3.0.2indirecta
PyPIwcwidth0.5.3indirecta
PyPIwebsockets16.0indirecta
PyPIwerkzeug3.1.6indirecta
PyPIwhenever0.7.3indirecta
PyPIxxhash3.6.0indirecta
PyPIyarl1.24.2indirecta
PyPIzipp3.23.0indirecta
PyPIzstandard0.25.0indirecta
Avisos de dependencias 0

Instalar pypi:skill-test@0.4.0 arrastra 8 paquetes, directos y transitivos: 0 tienen avisos conocidos, de los cuales 0 son dependencias directas.

Ningún aviso conocido afecta a las dependencias evaluadas.

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 databricks-industry-solutions/many-model-forecasting. Leer en paralelo →

98Nixtla/neuralforecastScalable and user friendly neural :brain: forecasting algorithms.Excepcional98sktime/sktimeA unified framework for machine learning with time seriesExcepcional98Nixtla/statsforecastLightning ⚡️ fast forecasting with statistical and econometric models.Excepcional98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeExcepcional96unit8co/dartsA python library for user-friendly forecasting and anomaly detection on time series.Excepcional96Nixtla/mlforecastScalable machine 🤖 learning for time series forecasting.Excepcional

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.