使用MLJar API Python Wrapper训练模型时出现[Errno 2]文件不存在错误求助

我之前也碰到过MLJar这个临时文件找不到的问题，给你几个实用的排查和解决方向：

• 检查临时目录的权限与可用性
  首先确认系统的/tmp目录是否存在，且当前用户有读写权限。可以在终端执行：

  ls -ld /tmp
  

  正常输出应该是drwxrwxrwt（所有用户可读写，且有粘滞位）。如果权限不对，可执行：

  sudo chmod 1777 /tmp
  

  修复权限后再重试训练。

• 绕开自动生成临时文件的逻辑
  MLJar在接收DataFrame作为输入时，会自动将其转存为/tmp下的临时CSV。如果这个生成过程出了问题，你可以手动导出数据到本地文件，再传递给MLJar：

  import pandas as pd
  # 假设你的数据集是df
  df.to_csv("./my_dataset.csv", index=False)
  # 用本地文件路径训练模型
  from supervised.automl import AutoML
  automl = AutoML()
  automl.train("./my_dataset.csv", target="your_target_column")
  

  这种方式跳过了MLJar的临时文件生成步骤，能排查是不是自动转存环节出了问题。

• 自定义MLJar的临时文件目录
  你可以通过设置环境变量，让MLJar把临时文件存在你可控的目录下，避免/tmp的权限或清理问题：

  import os
  # 设置自定义临时目录
  custom_tmp_dir = "/home/your_username/mljar_temp"
  os.environ["MLJAR_TMP_DIR"] = custom_tmp_dir
  # 确保目录存在
  os.makedirs(custom_tmp_dir, exist_ok=True)
  # 之后再初始化MLJar并训练
  from supervised.automl import AutoML
  automl = AutoML()
  automl.train(your_data, target="your_target_column")
  

• 升级MLJar及依赖
  这个问题可能是旧版本的bug，尝试升级MLJar到最新版本：

  pip install --upgrade mljar-supervised
  

  同时检查pandas、numpy等依赖是否为兼容版本，避免因依赖冲突导致的文件生成失败。

• 排查系统临时文件清理机制
  部分Linux系统会定期清理/tmp目录（比如通过systemd-tmpfiles），如果MLJar生成临时文件后还没开始训练就被清理，也会触发这个错误。你可以临时关闭自动清理（不推荐长期使用），或者在训练前手动生成一个测试文件，确认它不会被快速清理：

  touch /tmp/test_temp_file.csv
  # 等待几分钟后检查文件是否存在
  ls /tmp/test_temp_file.csv
  

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