Публічний реєстр
Звіт про здоров'я програмного забезпеченнясхема 0.34.0 · метрики 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 зірки⑂ 54 форкиз лист. 2022 р.Переглянути на GitHub ↗
ТипБібліотекаяк це визначено
#big-data#configuration-driven#data-engineering#data-quality#databricks#delta-lake#framework#great-expectations#lakehouse#spark

adidas/lakehouse-engine має індекс здоров’я 60 зі 100, що відповідає смузі «Помірний». Найвищий показник — Engineering Quality (74/100), найнижчий — Security (17/100). Останнє оновлення було 62 дні тому. Більшість нещодавньої роботи виконує один учасник.

60
загалом / 100
Помірний

Індекс здоров'я програмного забезпечення

Метрики згруповано у зважені категорії на шкалі 1–100. Загальна оцінка починається як їхнє зважене середнє, відкаліброване за розподілом публічного реєстру, тож діапазони мають перцентильний зміст; коли публічні дані активують Політику юрисдикцій високого ризику, рейтинг коригується й отримує верхню межу 34 («У зоні ризику»).

60
Винятковий93-100Верхній щабель реєстру (≈ топ-5%); відповідає практично всім перевіреним критеріям
Відмінний80-92Сильний за всіма напрямами; незначні прогалини
Добрий65-79Здоровий; прогалини обмежені та керовані
Помірний50-64Прийнятний, але з помітними прогалинами; рекомендовано перевірку
Слабкий35-49Суттєві недоліки в кількох сферах
У зоні ризику20-34Суттєві слабкі місця; впровадження потребує обережності
Критичний1-19Серйозні проблеми (покинутий, єдиний мейнтейнер, без базової гігієни)
ЖиттєздатністьСпільнота тавпровадженняСталість таврядуванняІнженернаякістьБезпекаГотовність доШІ

Профіль оцінок

Кожна вісь — окрема категорія. Форма важить більше, ніж середнє: здоровий об'єкт заповнює всю фігуру, тоді як профіль із піками та провалами означає, що сила в одному вимірі маскує ризик в іншому.

Зважений загальний бал 57 калібровано до 60 за шкалою опублікованого індексу (калібрування реєстру 2026-08-02).

Власність

adidasОрганізація · підтверджений домен
221 підписник34 публічні репозиторіїз січ. 2018 р.

За цим репозиторієм стоїть організація — спільна, підзвітна опіка, здатна пережити будь-якого окремого мейнтейнера.

Пакетні екосистеми

РеєстрПакетВерсіяЗавантажень / місВерсіїОстання публікаціяТеги
PyPIlakehouse-engine2.2.03 9102562 дні томуframeworkbig-datasparkdatabricksdata-qualitydata-engineeringgreat-expectationslakehousedelta-lakeconfiguration-driver

Метрики за категоріями

Життєздатність

Чи живий проєкт — чи пишеться код і чи виходять релізи?

54Помірний · 21% загального індексу

Активність розробки

29У зоні ризику
Як обчислюється оцінка
18/36Свіжість push — останній push 62 дн. тому
2.1/36Ритм комітів — 3/52 тижнів із комітами
6.3/18Обсяг комітів — 4 комітів за останній рік
0/10OpenSSF Scorecard: Maintained — немає даних
Використані вхідні дані
commits_last_year4
human_commit_share1
days_since_last_push62
active_weeks_last_year3

Дисципліна релізів

92Відмінний
Як обчислюється оцінка
27/27Випускає релізи — опубліковано 21 релізів
36/36Свіжість релізів — останній реліз 62 дн. тому
19.8/27Ритм релізів — реліз кожні ~62,1 дн.
0/10OpenSSF Scorecard: Signed-Releases — немає даних
Використані вхідні дані
releases_count21
latest_release_tagv2.2.0
releases_from_tagsні
days_since_latest_release62
mean_days_between_releases62,1

Спільнота та впровадження

Чи має проєкт користувачів, завантаження, увагу та влаштовані умови для контриб’юторів?

66Добрий · 17% загального індексу

Популярність і впровадження

61Помірний
Як обчислюється оцінка
40/60Зірки — 293 зірок
14.4/25Форки — 54 форків
6.7/15Спостерігачі — 17 спостерігачів
Використані вхідні дані
forks54
stars293
watchers17
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Здоров'я спільноти

77Добрий
Як обчислюється оцінка
22.5/22.5README
22.5/22.5Ліцензія — визнана ліцензія (Apache-2.0)
18/18Настанови CONTRIBUTING
0/13.5Кодекс поведінки
0/7.2Шаблон issue
6.3/6.3Шаблон PR
Використані вхідні дані
has_readmeтак
has_licenseтак
readme_badges0
has_contributingтак
has_issue_templateні
has_code_of_conductні
readme_badge_services—
has_pull_request_templateтак

Впровадження в екосистемі (завантаження)

60Помірний
Як обчислюється оцінка
47.9/80Щомісячні завантаження — 3 910 завантажень/місяць у pypi
0/20Залежні пакети в реєстрі — ця екосистема цього не повідомляє
Використані вхідні дані
packageslakehouse-engine
dependents—
ecosystemspypi
total_downloads—
monthly_downloads3 910
unverified_packages_excluded—
Виключено з оцінювання (немає даних або не застосовно): Залежні пакети в реєстрі. Залишкові ваги перенормовано.

Сталість та врядування

Чи переживе проєкт своїх людей — бас-фактор, реактивність, хто за ним стоїть і як супроводжуються пакети?

64Помірний · 23% загального індексу

Стійкість мейнтейнерів (бас-фактор)

12Критичний
Як обчислюється оцінка
9/54Бас-фактор — на 1 контриб’ютор(ів) припадає половина всіх комітів
0/22.5Розподіл комітів — головний контриб’ютор — автор 100% комітів
1.4/13.5Широта контриб’юторів — 1 контриб’юторів
0/10OpenSSF Scorecard: Contributors — немає даних
Використані вхідні дані
bus_factor1
contributors_sampled1
top_contributor_share1

Реактивність на issue та PR

70Добрий
Як обчислюється оцінка
28/42Вирішення issue — закрито 67% issue
22.5/30Прийняття PR — злито 3/4 вирішених PR
0/13Newcomer PR acceptance — за 30 дн. не вирішено жодного PR від новачка
0/15OpenSSF Scorecard: Code-Review — немає даних
Використані вхідні дані
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
Виключено з оцінювання (немає даних або не застосовно): Newcomer PR acceptance. Залишкові ваги перенормовано.

Власність та опіка

90Відмінний
Як обчислюється оцінка
30/30Підтримка власника — у власності організації
20/20Верифікований домен
16.9/25Охоплення власника — 221 підписників у adidas
23.2/25Послужний список — 34 публічних репозиторіїв, вік облікового запису ~8 р.
Використані вхідні дані
followers221
owner_typeOrganization
is_verifiedтак
owner_loginadidas
public_repos34
account_age_days3 209

Супровід пакетів

100Винятковий
Як обчислюється оцінка
25/25Опубліковано й доступно — 1 пакет(ів) у pypi
35/35Свіжість публікацій — остання публікація 62 дн. тому
20/20Історія версій — 25 опублікованих версій
20/20Не застарілий — активний, не deprecated і не yanked
Використані вхідні дані
packageslakehouse-engine
ecosystemspypi
any_deprecatedні
min_days_since_publish62

Інженерна якість

Чи наявні базові інженерні практики та документація?

74Добрий · 19% загального індексу

Інженерні практики

80Відмінний
Як обчислюється оцінка
24/24Процеси CI — 1 процес(ів) CI
24/24Наявні тести
16/16Конфігурація лінтера — pyproject.toml ([tool.isort])
0/9.6Pre-commit-хуки
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — немає даних
Використані вхідні дані
has_ciтак
has_testsтак
has_editorconfigні
has_linter_configтак
has_precommit_configні

Документація

65Добрий
Як обчислюється оцінка
30/30README
0/25Каталог документації
15/15Сайт документації / домашня сторінка — https://adidas.github.io/lakehouse-engine-docs/
10/10Опис репозиторію
10/10Теми — 10 тем
0/10Wiki
Використані вхідні дані
topicsbig-data, configuration-driven, data-engineering, data-quality, databricks, delta-lake, framework, great-expectations, lakehouse, spark
has_wikiні
homepagehttps://adidas.github.io/lakehouse-engine-docs/
docs_sitehttps://adidas.github.io/lakehouse-engine-docs/
has_readmeтак
has_docs_dirні
has_descriptionтак

Безпека

Чи міцні видимі практики безпеки й ланцюга постачання, без непослабленої пов’язаності з юрисдикціями високого ризику?

17Критичний · 16% загального індексу

Стан безпеки

1Критичний
Як обчислюється оцінка
0/30Політика безпеки (SECURITY.md)
0/25Конфігурація Dependabot
0/25Файли фіксації залежностей — опублікована бібліотека — lockfile є справою застосунків, не очікується
0/20Процес CodeQL
Використані вхідні дані
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_workflowні
has_security_policyні
has_dependabot_configні
Виключено з оцінювання (немає даних або не застосовно): Файли фіксації залежностей. Залишкові ваги перенормовано.

Сповіщення про залежності

79Добрий
Як обчислюється оцінка
14/35Прямі залежності без відомих сповіщень — уражено 1: urllib3 2.7.0 (high 7.5)
25/25Непрямі залежності без відомих сповіщень — жодна непряма залежність не має відомих сповіщень
40/40Немає задавнених сповіщень — жодне сповіщення не є публічним довше за 90 дн.
Використані вхідні дані
sourceosv
advisories6
affected_packages1
assessed_packages13
unassessed_packages0
affected_by_severityhigh 1
direct_affected_packages1
Звірено з runtime-замиканням залежностей pypi:lakehouse-engine@2.2.0 — тим, що тягне за собою встановлення опублікованого пакета, — 13 пакетів. Досяжність не аналізується.

Готовність до ШІ

Наскільки репозиторій оснащений для розробки та супроводу за участі ШІ-агентів? Має свідомо малу вагу (4%): агентний інструментарій — реальний сигнал супроводу, але репозиторій без нього все одно може отримати 100/100.

65Добрий · 4% загального індексу

Контекст і настанови для агентів

48Слабкий
Як обчислюється оцінка
45/45Інструкції для агентів — AGENTS.md
0/15Машиночитана документація (llms.txt)
3.4/40Читабельна історія комітів — намір зазначено у 2 з 31 людських комітів (структурований заголовок або пояснювальний текст)
Використані вхідні дані
has_llms_txtні
llms_txt_url—
legible_history_share0,065
agent_instruction_filesAGENTS.md
agent_instruction_max_bytes9 077

Цикл верифікації (збірка / тести / перевірка типів)

68Добрий
Як обчислюється оцінка
18/18Розгортання однією командою — Makefile
22/22Автоматизовані тести
11/11Конфігурація лінтера / форматера — pyproject.toml ([tool.isort])
0/11Статична перевірка типів
10/10Відтворюване середовище — Dockerfile
0/10Підтверджена практика роботи з агентами — серед останніх 31 комітів немає створених агентом
0/8Автоматизоване супроводження — автоматичних оновлень залежностей не виявлено
0/10OpenSSF Scorecard: Pinned-Dependencies — немає даних
Використані вхідні дані
has_nixні
has_testsтак
lockfiles—
has_dockerfileтак
typed_languageні
bootstrap_filesMakefile
has_devcontainerні
has_linter_configтак
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0

Читабельність коду для моделей

55Помірний
Як обчислюється оцінка
0/45Типізований код — Python без конфігурації перевірки типів
54.8/55Керовані розміри файлів — 1/266 файлів вихідного коду понад 60 КБ
Використані вхідні дані
primary_languagePython
largest_source_bytes75 672
source_files_sampled266
oversized_source_files1

Машиночитні інтерфейси

100Винятковий
Як обчислюється оцінка
0/40Схема API (OpenAPI/GraphQL/proto) — не застосовно до цього типу програмного забезпечення
0/20Сервер MCP — не застосовно до цього типу програмного забезпечення
40/40Придатні до запуску приклади — samples
Використані вхідні дані
example_dirssamples
has_mcp_signalні
api_schema_files—
interfaces_expected_of—
Виключено з оцінювання (немає даних або не застосовно): Схема API (OpenAPI/GraphQL/proto), Сервер MCP. Залишкові ваги перенормовано.

Ключові факти

293зірок GitHub
1контриб'юторів
4комітів за останні 12 місяців
62днів від останнього пушу
21релізів
1бас-фактор
1відкритих issue
PyPIпакетних екосистем

Попередження щодо збору даних

  • 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

Докладніше

Історія зірок і форків 0 ★ / 54 ⇿
0Зірки
54Форки
18Релізи

Коли додано кожну зірку й форк — зібрано з GitHub і згруповано за днями. Кумулятивне зростання розміщено просто над денними додаваннями, з яких воно складається, тож їх видно одне проти одного: рівномірне органічне накопичення виглядає зовсім інакше, ніж різкий короткочасний сплеск. Там, де цю різницю можна виміряти, її подано як автентичність росту.

01020304050605352023-102025-042026-09
Мажорні 1Мінорні 12Патчі 5

Кожна точка охоплює 3 днів.

Усі залежності 77

Повний розв'язаний набір залежностей із графа залежностей GitHub: 0 прямих і 77 непрямих (транзитивних) пакетів. Транзитивне замикання є повним, коли в репозиторії закомічено lockfile.

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

Встановлення pypi:lakehouse-engine@2.2.0 тягне 13 пакетів, прямих і транзитивних: 1 мають відомі сповіщення, з них 1 — прямі залежності.

ПакетВерсіяЗв'язокКритичністьСповіщеньВиправлено в
urllib32.7.0прямависока62.8.0

Сповіщення означає, що версія, записана в графі залежностей, потрапляє в уражений діапазон. Досяжність не аналізується, а граф містить піниї розробки й тестування — знахідка може стосуватися інструментів, а не поставленого коду.

Звіт у форматі JSON машиночитний

Зворотний зв’язок

Помітили щось хибне у цьому звіті або маєте чим поділитися? Неправильні вимірювання, непомічені інструменти, ідеї, запитання — усе доречно. Кожне повідомлення читається й отримує відповідь.

Повідомлення збережеться під час входу.

Пов’язані записи

Перевірені репозиторії, що мають спільні каталожні теги або екосистеми з adidas/lakehouse-engine. Читати поруч →

98delta-io/deltaAn open-source storage framework that enables building a Lakehouse architecture with compute engines including Spark, PrestoDB, Flink, Trino, and Hive and APIsВинятковий98feast-dev/feastThe Open Source Feature Store for AI/MLВинятковий97microsoft/SynapseMLSimple and Distributed Machine Learning Python Library porting ML algorithms for SparkВинятковий97datacontract/datacontract-cliEnforce Data ContractsВинятковий96StarRocks/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.Винятковий98fivetran/great_expectationsAlways know what to expect from your data.Винятковий

Оцінки — це сигнали, а не гарантії. Вони відображають публічно видимі практики на GitHub — це не аудит коду й не гарантія безпеки.

Відсутні дані виключаються, а ваги перенормовуються — нуль за відсутність ніколи не ставиться. Методологія версіонована й відкрита: метрики v2.10.0, схема v0.34.0 — повна методологія · вікі метрик.

Як окремий результат виглядає на тлі всього реєстру: сукупна статистика — PyPI.