Azure AutoML时间序列预测出现目标列非数值及列未找到错误

解决方案 #

1. 先解决"Place列未找到"报错 #

这个报错的核心原因是特征集X中不存在你指定的列，大概率是以下两种情况：

• 读取数据集时表头配置错误：调用read_delimited_files()时显式指定header=True，避免第一行数据被识别为列名导致列名错位，配置示例：

  output_tabular_config = output_file_config.read_delimited_files(header=True)
  

• 列名存在隐藏字符或大小写不匹配：在数据准备步骤末尾添加调试代码，校验读取后的列名是否和预期一致：

  # 打印实际列名和类型
  df = input_dataset.to_pandas_dataframe()
  print("实际列名：", df.columns.tolist())
  print("Place列是否存在：", "Place" in df.columns)
  

  如果发现列名前后带空格、大小写不符，先统一修正列名再传入AutoMLStep：

  # 示例：去除列名前后空格并统一大小写
  df.columns = df.columns.str.strip()
  df.rename(columns={"place": "Place"}, inplace=True)
  

注意：不要给目标列Place配置FeaturizationConfig的列用途，特征配置仅作用于输入特征集X，目标列属于y，不会出现在X中，强制配置必然会触发列不存在报错。

2. 解决"目标列存在非数值"报错 #

你本地检查数值类型正常但管道报错，通常是数据传递过程中出现了隐式类型转换或异常值，按以下步骤处理：

• 数据导出时禁用多余格式：前置步骤输出数据到OutputFileDatasetConfig时，不要添加索引列，也不要给数值添加格式符号，导出配置示例：

  df.to_csv(output_path, index=False, encoding="utf-8")
  

• 读取数据后强制清洗目标列：读取csv后增加类型强制转换和空值处理逻辑，把所有无法转换为数值的内容统一处理：

  # 强制转换为数值，无法转换的内容设为空值
  df["Place"] = pd.to_numeric(df["Place"], errors="coerce")
  # 按业务逻辑处理空值，二选一即可
  df = df.dropna(subset=["Place"]) # 丢弃空值行
  # df["Place"] = df["Place"].fillna(df["Place"].mean()) # 用均值填充空值
  

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