AutoML工具不支持直接处理XML数据，必须先用xml.etree.ElementTree或lxml解析为DataFrame等二维结构，再输入AutoGluon、H2O AutoML或Vertex AI等平台。
AutoML 工具本身不直接解析或训练 XML 格式的数据——XML 是结构化标记语言，不是标准的机器学习输入格式（如 CSV、Parquet、NumPy 数组或 Pandas DataFrame）。你必须先将 XML 转为表格化或张量化表示，AutoML 才能识别特征与标签。
XML 数据必须先解析为 DataFrame 或等效结构
几乎所有主流 AutoML 框架（如 AutoGluon、H2O AutoML、TPOT、Google Vertex AI AutoML）只接受二维表结构（行=样本，列=特征）或特定格式（如图像路径+标注文件、文本+label 列）。XML 需手动提取字段并映射为列。
-
xml.etree.ElementTree（Python 标准库）或lxml是最常用解析工具；避免用正则硬匹配嵌套标签 - 若 XML 含重复子节点（如
<item><price>19.99</price><category>book</category></item>），需用循环+字典累积生成每行记录 - 注意命名空间（
xmlns）：未声明namespaces参数会导致find()返回None - 缺失值统一转为
None或np.nan，避免字符串"null"被误判为类别型特征
H2O AutoML 和 AutoGluon 对 XML 输入的实际限制
它们不提供内置 XML 读取器。尝试直接传入 XML 文件路径会报错，例如：
ValueError: Unsupported file type: data.xml. Supported extensions: ['csv', 'tsv', 'json', 'parquet']
即使你用 h2o.import_file("data.xml")，H2O 会尝试按 CSV 解析，导致乱码或列错位。
- 正确做法：用 Python 先解析 XML → 存为
train.csv→ 再交给 AutoML - AutoGluon 的
TabularDataset只认.csv/.parquet/.xlsx；传pd.DataFrame对象是安全的，但 XML 字符串或ElementTree对象不行 - Vertex AI AutoML 要求上传到 Cloud Storage 的必须是 CSV 或 JSONL，且首行必须是列名 —— XML 不在允许列表中
如何处理嵌套/多层 XML 结构（常见坑）
XML 常含层级关系（如订单→多个商品→每个商品有属性），直接展平易丢失关联或产生高维稀疏特征。不能简单“全字段拼成一列”。
- 一级扁平化：提取同级字段（如所有
<order>下的id、date、customer_id）作为主表 - 子节点聚合：对
<items><item>...</item><item>...</item></items>，可计算统计量（item_count、avg_price、max_quantity）而非展开成多行 - 避免 one-hot 展开全部
<tag>value</tag>：若<category>有 500 个不同值，生成 500 列会拖慢 AutoML 特征工程甚至内存溢出 - 文本类 XML 内容（如
<description>...）应单独提取，后续用 NLP 步骤向量化，不要混在数值特征里
真正卡住的不是 AutoML 设置，而是 XML 到特征表这一步的健壮性——标签嵌套深度变化、空节点、编码不一致（UTF-8 vs GBK）、属性与文本内容混用，都会让解析脚本中途崩溃。建议先抽样 100 个 XML 文件跑通解析链路，再批量处理。
