VertexAI Tabular AutoML空值行被拒致训练失败问题排查

这个报错的核心原因不是Tabular AutoML不支持空值，是你CSV里的缺失值没有被平台正确识别，直接导致行校验环节把绝大多数行判定为无效，几个关键依据：

• 你执行完Generate statistics操作后missing %列完全空白，说明平台根本没有统计到各列的缺失情况，你留空的单元格没有被识别为合法null
• 官方文档里数值类型列仅标注支持NaN、inf值，未说明支持纯留空的单元格——你按照“缺失值留空即null”的规则配置CSV，但当前版本的数值列空值识别逻辑和分类列不一致，纯留空的数值单元格会被判定为非法值，直接导致所在整行校验不通过
• 你提到全量数据里仅189行完全不含空值，和报错里的194条有效行基本吻合，差值属于识别过程的正常误差，完全匹配上述逻辑。

missing %列空白截图

按以下顺序操作即可修复问题：

• 第一步：统一修改CSV的空值表示
  不要用纯留空的方式标记缺失值，所有列（含分类列、数值列）的缺失值统一替换为标准NaN标记：
  • 数值列禁止留空、禁止填"null"/"NA"/空字符串这类自定义标记，所有缺失位置填NaN
  • 分类列保险起见也统一用NaN标记缺失值，避免不同区域版本的识别逻辑差异
  • 注意inf/-inf仅用于标记真实存在的极值，不要用来填充普通缺失值
• 第二步：重新导入数据集校验识别状态
  上传修改后的CSV，重新执行Generate statistics操作，等统计任务完成后检查每列的missing %数值是否和你本地统计的稀疏度匹配：比如有效数据仅5000行的超高稀疏列，missing %应在99.5%左右，另外两列次高稀疏列的missing %应分别在93%、72.6%左右，数值匹配才说明空值识别正常。
• 第三步：提前处理超高稀疏列
  就算空值识别正常，有效率不足1%的列（也就是你那列仅5000行有效数据的列）携带的有效信息量极低，很容易触发列级校验规则，还会干扰模型效果，建议直接剔除；剩余空率超过90%的列，可以先做特征转换，比如把原始数值列拆成「是否为空」的二值特征+非空值分箱特征，不要直接喂原始高稀疏列进训练流程。
• 第四步：重新发起训练
  确认缺失率统计正常、高稀疏列处理完成后，再启动训练流水线，此时行校验通过率会达到平台要求的50%阈值。

你提到在数据集标签页找不到列可空属性的设置入口，不属于文档过时问题：托管式Tabular AutoML的列可空属性是平台根据导入数据自动判定的，没有提供手动修改入口——只要你导入的缺失值是平台可识别的NaN格式，平台会自动将对应列标记为可空，不需要手动配置。

内容的提问来源于stack exchange，提问作者user15318993