Публічний реєстр
Звіт про здоров'я програмного забезпеченнясхема 0.34.0 · метрики 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.

PythonВласна ліцензія★ 5 174 зірки⑂ 916 форківз серп. 2014 р.Переглянути на GitHub ↗
ТипБібліотекаяк це визначено
#python#machine-learning#data-science#data-mining#association-rules#supervised-learning#unsupervised-learning

rasbt/mlxtend має індекс здоров’я 90 зі 100, що відповідає смузі «Відмінний». Найвищий показник — Engineering Quality (92/100), найнижчий — AI Readiness (60/100). Останнє оновлення було 8 днів тому. Більшість нещодавньої роботи виконує один учасник.

90
загалом / 100
Відмінний

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»).

90
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 76 калібровано до 90 за шкалою опублікованого індексу (калібрування реєстру 2026-08-02).

Власність

Sebastian RaschkaОсобистий обліковий запис
40 311 підписників151 публічний репозиторійз жовт. 2013 р.

Цей репозиторій належить особистому обліковому запису. Проєкт з єдиним власником несе більший ризик безперервності, ніж підтримуваний організацією.

Пакетні екосистеми

РеєстрПакетВерсіяЗавантажень / місВерсіїОстання публікація
PyPImlxtend0.25.01 086 52155103 дні тому

Метрики за категоріями

Життєздатність

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

65Добрий · 21% загального індексу

Активність розробки

59Помірний
Як обчислюється оцінка
28.8/36Свіжість push — останній push 8 дн. тому
6.9/36Ритм комітів — 10/52 тижнів із комітами
14.7/18Обсяг комітів — 42 комітів за останній рік
9/10OpenSSF Scorecard: Maintained — 11 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 9
Використані вхідні дані
commits_last_year42
human_commit_share0,87
days_since_last_push8
active_weeks_last_year10

Дисципліна релізів

74Добрий
Як обчислюється оцінка
27/27Випускає релізи — опубліковано 34 релізів
27/36Свіжість релізів — останній реліз 103 дн. тому
12.6/27Ритм релізів — реліз кожні ~163,5 дн.
0/10OpenSSF Scorecard: Signed-Releases — немає даних
Використані вхідні дані
releases_count34
latest_release_tagv0.25.0
releases_from_tagsні
days_since_latest_release103
mean_days_between_releases163,5
Виключено з оцінювання (немає даних або не застосовно): OpenSSF Scorecard: Signed-Releases. Залишкові ваги перенормовано.

Спільнота та впровадження

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

86Відмінний · 17% загального індексу

Популярність і впровадження

96Винятковий
Як обчислюється оцінка
60/60Зірки — 5 174 зірок
24.7/25Форки — 916 форків
11.4/15Спостерігачі — 115 спостерігачів
Використані вхідні дані
forks916
stars5 174
watchers115
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Здоров'я спільноти

66Добрий
Як обчислюється оцінка
22.5/22.5README
16.9/22.5Ліцензія — файл ліцензії наявний, не є визнаною ліцензією
0/18Настанови CONTRIBUTING
13.5/13.5Кодекс поведінки
0/7.2Шаблон issue
6.3/6.3Шаблон PR
Використані вхідні дані
has_readmeтак
has_licenseтак
readme_badges6
has_contributingні
has_issue_templateні
has_code_of_conductтак
readme_badge_servicesbadge.fury.io, ci.appveyor.com, codecov.io, shields.io
has_pull_request_templateтак

Впровадження в екосистемі (завантаження)

100Винятковий
Як обчислюється оцінка
80/80Щомісячні завантаження — 1 086 521 завантажень/місяць у pypi
0/20Залежні пакети в реєстрі — ця екосистема цього не повідомляє
Використані вхідні дані
packagesmlxtend
dependents—
ecosystemspypi
total_downloads—
monthly_downloads1 086 521
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?

71Добрий · 23% загального індексу

Стійкість мейнтейнерів (бас-фактор)

38Слабкий
Як обчислюється оцінка
9/54Бас-фактор — на 1 контриб’ютор(ів) припадає половина всіх комітів
5.6/22.5Розподіл комітів — головний контриб’ютор — автор 75% комітів
13.5/13.5Широта контриб’юторів — 99 контриб’юторів
10/10OpenSSF Scorecard: Contributors — project has 29 contributing companies or organizations
Використані вхідні дані
bus_factor1
contributors_sampled99
top_contributor_share0,752

Реактивність на issue та PR

84Відмінний
Як обчислюється оцінка
32.5/42Вирішення issue — закрито 77% issue
28.1/30Прийняття PR — злито 537/574 вирішених PR
13/13Newcomer PR acceptance — злито 3/3 PR від новачків за 30 дн.
10.5/15OpenSSF Scorecard: Code-Review — Found 13/17 approved changesets -- score normalized to 7
Використані вхідні дані
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

Власність та опіка

75Добрий
Як обчислюється оцінка
10/30Підтримка власника — особистий (користувацький) обліковий запис
0/20Верифікований домен — не застосовно до користувацьких облікових записів
25/25Охоплення власника — 40 311 підписників у rasbt
25/25Послужний список — 151 публічних репозиторіїв, вік облікового запису ~12 р.
Використані вхідні дані
followers40 311
owner_typeUser
is_verified—
owner_loginrasbt
public_repos151
account_age_days4 730
Виключено з оцінювання (немає даних або не застосовно): Верифікований домен. Залишкові ваги перенормовано.

Супровід пакетів

100Винятковий
Як обчислюється оцінка
25/25Опубліковано й доступно — 1 пакет(ів) у pypi
35/35Свіжість публікацій — остання публікація 103 дн. тому
20/20Історія версій — 55 опублікованих версій
20/20Не застарілий — активний, не deprecated і не yanked
Використані вхідні дані
packagesmlxtend
ecosystemspypi
any_deprecatedні
min_days_since_publish103

Інженерна якість

Чи наявні базові інженерні практики та документація?

92Відмінний · 19% загального індексу

Інженерні практики

94Винятковий
Як обчислюється оцінка
24/24Процеси CI — 3 процес(ів) CI
24/24Наявні тести
16/16Конфігурація лінтера — .flake8
9.6/9.6Pre-commit-хуки
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 28 out of 28 merged PRs checked by a CI test -- score normalized to 10
Використані вхідні дані
has_ciтак
has_testsтак
has_editorconfigні
has_linter_configтак
has_precommit_configтак

Документація

90Відмінний
Як обчислюється оцінка
30/30README
25/25Каталог документації
15/15Сайт документації / домашня сторінка — https://rasbt.github.io/mlxtend/
10/10Опис репозиторію
10/10Теми — 7 тем
0/10Wiki
Використані вхідні дані
topicspython, machine-learning, data-science, data-mining, association-rules, supervised-learning, unsupervised-learning
has_wikiні
homepagehttps://rasbt.github.io/mlxtend/
docs_sitehttps://rasbt.github.io/mlxtend/
has_readmeтак
has_docs_dirтак
has_descriptionтак

Безпека

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

71Добрий · 16% загального індексу

Стан безпеки

64Помірний
Як обчислюється оцінка
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — немає даних
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
2.2/2.5Ліцензія — 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 — немає даних
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
6/7.5Vulnerabilities — 2 existing vulnerabilities detected
Використані вхідні дані
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate6,4
Виключено з оцінювання (немає даних або не застосовно): Branch-Protection, Signed-Releases. Залишкові ваги перенормовано.

Сповіщення про залежності

100Винятковий
Як обчислюється оцінка
35/35Прямі залежності без відомих сповіщень — жодна пряма залежність не має відомих сповіщень
25/25Непрямі залежності без відомих сповіщень — жодна непряма залежність не має відомих сповіщень
0/40Немає задавнених сповіщень — жодне сповіщення не має дати публікації
Використані вхідні дані
sourceosv
advisories0
affected_packages0
assessed_packages18
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Виключено з оцінювання (немає даних або не застосовно): Немає задавнених сповіщень. Залишкові ваги перенормовано. Звірено з runtime-замиканням залежностей pypi:mlxtend@0.25.0 — тим, що тягне за собою встановлення опублікованого пакета, — 18 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.

60Помірний · 4% загального індексу

Контекст і настанови для агентів

38Слабкий
Як обчислюється оцінка
0/45Інструкції для агентів — немає CLAUDE.md / AGENTS.md / правил редактора
0/15Машиночитана документація (llms.txt)
38/40Читабельна історія комітів — намір зазначено у 62 з 87 людських комітів (структурований заголовок або пояснювальний текст)
Використані вхідні дані
has_llms_txtні
llms_txt_url—
legible_history_share0,713
agent_instruction_files—
agent_instruction_max_bytes—

Цикл верифікації (збірка / тести / перевірка типів)

65Добрий
Як обчислюється оцінка
0/18Розгортання однією командою
22/22Автоматизовані тести
11/11Конфігурація лінтера / форматера — .flake8
0/11Статична перевірка типів
10/10Відтворюване середовище — lockfile
10/10Підтверджена практика роботи з агентами — 5 з останніх 100 комітів створено агентом або з його зазначенням
8/8Автоматизоване супроводження — 13 з останніх 100 комітів — автоматичні оновлення залежностей
4/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 4
Використані вхідні дані
has_nixні
has_testsтак
lockfilesuv.lock
has_dockerfileні
typed_languageні
bootstrap_files—
has_devcontainerні
has_linter_configтак
typecheck_configs—
agent_commit_share0,05
toolchain_manifests—
dependency_bot_commit_share0,13

Читабельність коду для моделей

54Помірний
Як обчислюється оцінка
0/45Типізований код — Python без конфігурації перевірки типів
54.5/55Керовані розміри файлів — 2/217 файлів вихідного коду понад 60 КБ
Використані вхідні дані
primary_languagePython
largest_source_bytes300 766
source_files_sampled217
oversized_source_files2

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 — notebooks
Використані вхідні дані
example_dirsnotebooks
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

5 174зірок GitHub
99контриб'юторів
42комітів за останні 12 місяців
8днів від останнього пушу
34релізів
1бас-фактор
110відкритих issue
PyPIпакетних екосистем

Попередження щодо збору даних

  • 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)

Докладніше

Історія зірок і форків 0 ★ / 916 ⇿
0Зірки
916Форки
34Релізи

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.

02004006008001 000903102014-102020-092026-09
Мажорні 0Мінорні 22Патчі 11

Кожна точка охоплює 11 днів.

OpenSSF Scorecard 6.4 / 10
6.4сукупно

Незалежна, не прив'язана до інструментів оцінка безпеки від відкритого проєкту OpenSSF Scorecard. Кожна перевірка винагороджує практику безпеки, а не інструмент конкретного постачальника. Перевірки, які Scorecard не зміг визначити, позначено н/д і виключено з оцінки безпеки (вони ніколи не зараховуються як нуль).Scorecard v5.5.0 · 2026-09-17 17:54 UTC

10Binary-Artifactsno binaries found in the repo
н/дBranch-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
н/дSigned-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
8Vulnerabilities2 existing vulnerabilities detected
Прямі залежності 6
РеєстрПакетОбмеження версіїМаніфест
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
Усі залежності 116

Повний розв'язаний набір залежностей із графа залежностей GitHub: 12 прямих і 104 непрямих (транзитивних) пакетів. Транзитивне замикання є повним, коли в репозиторії закомічено lockfile.

РеєстрПакетВерсіяЗв'язок
PyPIjoblib—пряма
PyPIjoblib1.5.3пряма
PyPImatplotlib—пряма
PyPImatplotlib3.10.8пряма
PyPInumpy—пряма
PyPInumpy2.4.0пряма
PyPIpandas—пряма
PyPIpandas2.3.3пряма
PyPIscikit-learn—пряма
PyPIscikit-learn1.8.0пряма
PyPIscipy—пряма
PyPIscipy1.16.3пряма
PyPIattrs25.4.0непряма
PyPIbackports-tarfile1.2.0непряма
PyPIbeautifulsoup44.14.3непряма
PyPIblack26.5.1непряма
PyPIbleach6.4.0непряма
PyPIbuild1.5.0непряма
PyPIcertifi2026.5.20непряма
PyPIcffi2.0.0непряма
PyPIcfgv3.5.0непряма
PyPIcharset-normalizer3.4.7непряма
PyPIclick8.3.1непряма
PyPIcolorama0.4.6непряма
PyPIcontourpy1.3.3непряма
PyPIcoverage7.14.1непряма
PyPIcryptography50.0.0непряма
PyPIcycler0.12.1непряма
PyPIdefusedxml0.7.1непряма
PyPIdistlib0.4.1непряма
PyPIdocutils0.23непряма
PyPIfastjsonschema2.21.2непряма
PyPIfilelock3.29.1непряма
PyPIflake87.3.0непряма
PyPIfonttools4.61.1непряма
PyPIghp-import2.1.0непряма
PyPIid1.6.1непряма
PyPIidentify2.6.19непряма
PyPIidna3.18непряма
PyPIimportlib-metadata9.0.0непряма
PyPIiniconfig2.3.0непряма
PyPIisort8.0.1непряма
PyPIjaraco-classes3.4.0непряма
PyPIjaraco-context6.1.2непряма
PyPIjaraco-functools4.5.0непряма
PyPIjeepney0.9.0непряма
PyPIjinja23.1.6непряма
PyPIjsonschema4.25.1непряма
PyPIjsonschema-specifications2025.9.1непряма
PyPIjupyter-client8.7.0непряма
PyPIjupyter-core5.9.1непряма
PyPIjupyterlab-pygments0.3.0непряма
PyPIkeyring25.7.0непряма
PyPIkiwisolver1.4.9непряма
PyPImarkdown3.10непряма
PyPImarkdown-it-py4.2.0непряма
PyPImarkupsafe3.0.3непряма
PyPImccabe0.7.0непряма
PyPImdurl0.1.2непряма
PyPImergedeep1.3.4непряма
PyPImistune3.3.0непряма
PyPImkdocs1.6.1непряма
PyPImkdocs-bootswatch1.1непряма
PyPImkdocs-get-deps0.2.0непряма
PyPImore-itertools11.1.0непряма
PyPImypy-extensions1.1.0непряма
PyPInbclient0.10.4непряма
PyPInbconvert7.17.1непряма
PyPInbformat5.10.4непряма
PyPInh30.3.5непряма
PyPInodeenv1.10.0непряма
PyPIpackaging25.0непряма
PyPIpandocfilters1.5.1непряма
PyPIpathspec1.1.1непряма
PyPIpillow12.3.0непряма
PyPIplatformdirs4.5.1непряма
PyPIpluggy1.6.0непряма
PyPIpre-commit4.6.0непряма
PyPIpycodestyle2.14.0непряма
PyPIpycparser2.23непряма
PyPIpyflakes3.4.0непряма
PyPIpygments2.20.0непряма
PyPIpyparsing3.3.1непряма
PyPIpyproject-hooks1.2.0непряма
PyPIpytest9.0.3непряма
PyPIpython-dateutil2.9.0.post0непряма
PyPIpython-discovery1.4.0непряма
PyPIpython-markdown-math0.9непряма
PyPIpytokens0.4.1непряма
PyPIpytz2025.2непряма
PyPIpywin32-ctypes0.2.3непряма
PyPIpyyaml6.0.3непряма
PyPIpyyaml-env-tag1.1непряма
PyPIpyzmq27.1.0непряма
PyPIreadme-renderer44.0непряма
PyPIreferencing0.37.0непряма
PyPIrequests2.34.2непряма
PyPIrequests-toolbelt1.0.0непряма
PyPIrfc39862.0.0непряма
PyPIrich15.0.0непряма
PyPIrpds-py0.30.0непряма
PyPIsecretstorage3.5.0непряма
PyPIsix1.17.0непряма
PyPIsoupsieve2.8.4непряма
PyPIthreadpoolctl3.6.0непряма
PyPItinycss21.4.0непряма
PyPItornado6.5.8непряма
PyPItraitlets5.14.3непряма
PyPItwine6.2.0непряма
PyPItyping-extensions4.15.0непряма
PyPItzdata2025.3непряма
PyPIurllib32.7.0непряма
PyPIvirtualenv21.4.2непряма
PyPIwatchdog6.0.0непряма
PyPIwebencodings0.5.1непряма
PyPIzipp4.1.0непряма
Сповіщення про залежності 0

Встановлення pypi:mlxtend@0.25.0 тягне 18 пакетів, прямих і транзитивних: 0 мають відомі сповіщення, з них 0 — прямі залежності.

Жодне відоме сповіщення не стосується оцінених залежностей.

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 rasbt/mlxtend. Читати поруч →

100scikit-learn/scikit-learnscikit-learn: machine learning in PythonВинятковий100apache/airflowApache Airflow - A platform to programmatically author, schedule, and monitor workflowsВинятковий100streamlit/streamlitStreamlit — A faster way to build and share data apps.Винятковий99kedro-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.Винятковий99voxel51/fiftyoneRefine high-quality datasets and visual AI modelsВинятковий99gradio-app/gradioBuild and share delightful machine learning apps, all in Python. 🌟 Star to support our work!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.