在AutoML中遇到错误消息“训练集应包含所有标签”时，这通常是因为训练集中存在某些标签缺失的情况。为了解决这个问题，你可以尝试以下几种方法：

1. 检查训练集中的标签列：确保标签列包含所有的标签，并且没有缺失值。你可以使用pandas库来检查标签列的唯一值，如果存在缺失值或者不完整的标签，需要对其进行处理。

import pandas as pd

# 读取训练集
train_data = pd.read_csv('train.csv')

# 检查标签列的唯一值
unique_labels = train_data['label'].unique()

# 检查是否有缺失的标签
if len(unique_labels) != num_labels:
    missing_labels = set(range(num_labels)) - set(unique_labels)
    print("缺失的标签：", missing_labels)

2. 处理缺失的标签：如果在训练集中存在缺失的标签，你可以选择删除缺失标签的样本，或者使用其他方法填充缺失值。具体的处理方法取决于你的数据集和业务需求。

# 删除缺失标签的样本
train_data = train_data.dropna(subset=['label'])

# 使用众数填充缺失标签
train_data['label'].fillna(train_data['label'].mode()[0], inplace=True)

3. 检查标签列的数据类型：确保标签列的数据类型是正确的。有时候标签列的数据类型可能不正确，比如被错误地解析为字符串而不是数字。你可以使用pandas库来检查标签列的数据类型，并进行必要的转换。

# 检查标签列的数据类型
print(train_data['label'].dtype)

# 转换标签列的数据类型为整数
train_data['label'] = train_data['label'].astype(int)

通过上述方法，你应该能够解决AutoML返回“训练集应包含所有标签”错误消息的问题。