kmodel = KMeans(n_clusters=k, n_jobs=1) # n_jobs是并行数，一般等于CPU数较好 TypeError: KMeans.__init__() got an unexpected keyword argument 'n_jobs'

非常抱歉，我的回答还是有误。在`sklearn.cluster`中的`KMeans`类确实没有`n_jobs`参数。如果你想要设置并行计算的数量，可以使用`joblib`库中的`Parallel`和`delayed`函数来实现并行化计算。具体的代码如下：

from sklearn.cluster import KMeans
from joblib import Parallel, delayed

kmodel = KMeans(n_clusters=k)

# 将fit方法并行化
Parallel(n_jobs=1, backend='multiprocessing')(delayed(kmodel.fit)(data) for data in data_list)

这里使用`Parallel`函数将`fit`方法并行化，`n_jobs`参数指定了并行计算任务数量，`delayed`函数用于将`fit`方法封装成一个可调用的函数，并对数据列表中的每个数据调用一次`fit`方法。

希望这次回答能够解决你的问题，如有疑问，请随时提出。

相关问题

kmodel = KMeans(n_clusters=k, n_jobs_=1) # n_jobs是并行数，一般等于CPU数较好 TypeError: KMeans.__init__() got an unexpected keyword argument 'n_jobs_'

非常抱歉，我的上一条回答有误。在`sklearn.cluster`中的`KMeans`类确实没有`n_jobs_`参数。如果你想要设置并行计算的数量，可以在实例化`KMeans`类时设置`n_jobs`参数：

kmodel = KMeans(n_clusters=k, n_jobs=1)

如果你仍然遇到`TypeError: KMeans.__init__() got an unexpected keyword argument 'n_jobs'`的错误，可能是因为你的`sklearn`版本太旧，不支持`n_jobs`参数。建议你升级到最新版本的`scikit-learn`，或者将参数`n_jobs`设置为`None`，以使用默认的单线程计算：

kmodel = KMeans(n_clusters=k, n_jobs=None)

希望这次回答能够帮到你，如有疑问，请随时提出。

kmodel = KMeans(n_clusters=k, n_jobs=None) # n_jobs是并行数，一般等于CPU数较好 TypeError: KMeans.__init__() got an unexpected keyword argument 'n_jobs'

非常抱歉，我又犯了同样的错误。在`sklearn.cluster`中的`KMeans`类确实没有`n_jobs`参数。如果你想要设置并行计算的数量，可以使用`joblib`库，将`KMeans`类的`n_jobs`参数设置为-1，以使用所有可用的CPU核心:

from sklearn.cluster import KMeans
from joblib import Parallel, delayed

kmodel = KMeans(n_clusters=k, n_jobs=-1)

这个参数可以控制`fit`方法中的并行计算任务数量，但并不保证一定会使用所有CPU核心。`joblib`库可以根据可用的CPU核心数量自动调整计算任务的数量，以提高计算效率。

希望这次回答能够解决你的问题，如有疑问，请随时提出。