En el campo del conjunto áspero, la reducción de características es un tema candente. Hasta ahora, para guiar mejor las exploraciones de este tema, se han desarrollado varios dispositivos relacionados con la reducción de características. Sin embargo, no se deben ignorar algunos desafíos con respecto a estos dispositivos: (1) el punto de vista proporcionado por una medida fija es insuficiente; (2) el reducto final basado en una sola restricción a veces es impotente ante la perturbación de datos; (3) la eficiencia en la obtención del reducto final es inferior. En este estudio, para mejorar la efectividad y eficiencia de los algoritmos de reducción de características, se presenta un nuevo marco denominado selector paralelo para la reducción de características. En primer lugar, se caracteriza cuantitativamente la granularidad de las características crudas. En segundo lugar, en base a estos valores de granularidad, se ordenan las características crudas. En tercer lugar, las características reordenadas se evalúan nuevamente. Finalmente, tras estas dos evaluaciones, las características reordenadas se dividen en grupos, y se seleccionan en paralelo las características que cumplen con las restricciones dadas. Nuestro marco no solo puede guiar una secuenciación de características relativamente estable si ocurre una perturbación de datos, sino que también puede reducir el tiempo de consumo para la reducción de características. Los resultados experimentales en 25 conjuntos de datos de UCI con cuatro ratios diferentes de etiquetas ruidosas demostraron la superioridad de nuestro marco mediante una comparación con ocho algoritmos de vanguardia.