用途：molfeat 面向分子机器学习与化学信息学，用于把化学结构（SMILES 字符串或 RDKit 分子）转成供模型使用的数值特征，适用于 QSAR/QSPR 建模、性质预测、虚拟筛选、相似性搜索、化学空间分析、聚类可视化与深度学习。
主要能力：库自述统一了 100 多种预训练嵌入与手工特征器，内置快速并行处理、兼容 scikit-learn 的转换器和缓存。组织为三层：计算器 molfeat.calc（单分子转特征向量）、转换器 molfeat.trans（批量并行、可接入 sklearn 管道）、预训练转换器 molfeat.trans.pretrained（深度模型批量推理与缓存）。支持 ECFP、MACCS、MAP4、FCFP、Gobbi、CATS、USR 等指纹与药效团描述符，RDKit 2D、Mordred 描述符，以及 ChemBERTa、ChemGPT、MolT5、GIN、Graphormer 等预训练模型；可通过 FeatConcat 组合多个特征器，并可用 ModelStore 检索和加载模型。
使用方式：安装命令为 uv pip install molfeat，全部可选依赖为 uv pip install "molfeat[all]"，按需可装 molfeat[dgl]、molfeat[graphormer]、molfeat[transformer]、molfeat[fcd]、molfeat[map4]。基本流程是创建计算器与转换器后对 SMILES 列表批量特征化，例如 MoleculeTransformer(FPCalculator("ecfp"), n_jobs=-1)。配置可用 to_state_yaml_file 保存、from_state_yaml_file 加载；数据集含无效 SMILES 时可设 ignore_errors=True 与 verbose=True 跳过并记录，失败分子返回 None。
适用场景：传统机器学习可选指纹类特征，可解释模型可选描述符，深度学习和迁移学习可选预训练嵌入，相似性搜索与药效团分析各有对应特征器。
限制：资料未提供收费、价格或效果数据；部分预训练模型需额外安装依赖，首次运行较慢，后续可受益于缓存；大分子库需分块处理以控制内存，深度模型比指纹慢，精度允许时可用 float32。官方文档见 https://molfeat-docs.datamol.io/ ，代码仓库见 https://github.com/datamol-io/molfeat 。