用途：Molfeat 是分子特征化（featurization）Python 库，把化学结构（SMILES 字符串或 RDKit 分子）转换为机器学习可用的数值表示，服务于 QSAR/QSPR 建模、虚拟筛选、相似性搜索、化学空间分析与深度学习。
主要能力：统一 100 多种特征器，包括指纹（ECFP、MACCS、MAP4、FCFP、Gobbi 等）、分子描述符（RDKit 2D、Mordred）、药效团与形状描述符（CATS、USR），以及预训练模型（ChemBERTa、ChemGPT、MolT5、GIN、Graphormer）。提供三级类结构：molfeat.calc 计算器（单分子）、molfeat.trans 转换器（批量、并行、兼容 scikit-learn）、molfeat.trans.pretrained 预训练转换器（批量推理与缓存）。支持 FeatConcat 组合多个特征器、ModelStore 发现与加载模型、配置保存与重载、错误忽略与并行处理。
使用方式：需 Python 3.9–3.10（0.11.0 不支持 3.11+），依赖 datamol ≥0.8.0 与 PyTorch ≥1.13。安装：uv pip install "molfeat==0.11.0"，或 uv pip install "molfeat[all]==0.11.0"。可选 extras 包括 dgl、graphormer、transformer、fcd、pyg、viz；MAP4 需从 reymond-group/map4 单独安装。典型用法：用 FPCalculator 创建计算器，再用 MoleculeTransformer 批量转换，设置 n_jobs=-1 并行；预训练模型用 PretrainedMolTransformer。可保存配置：transformer.to_state_yaml_file("config.yml")。
适用场景：传统机器学习（RF、SVM、XGBoost）建模、可解释模型、深度学习嵌入、相似性搜索、药效团方法、虚拟筛选与 scikit-learn 管道集成。
限制：0.11.0 仅支持 Python 3.9–3.10；部分预训练模型需额外依赖，首次运行较慢；大数据集需分块处理以控制内存；无效 SMILES 需开启 ignore_errors；自定义缓存建议用 NumPy 而非 pickle。官方文档 https://molfeat-docs.datamol.io/，仓库 https://github.com/datamol-io/molfeat。