pandas.read_json()仅支持扁平化列表结构，嵌套或不一致json需先用json.load()检查并提取数据，再用json_normalize()展开；导出excel须安装openpyxl并指定engine，时间与高精度字段应转字符串避免格式错乱。
直接用 pandas.read_json() 读取 JSON，再调用 to_excel() 保存即可，无需额外解析或循环——但前提是 JSON 结构规整；嵌套、不一致字段、混合类型会直接报错或写入异常。
JSON 格式必须是「扁平化列表」才能直读
只有形如 [{"name": "Alice", "age": 30}, {"name": "Bob", "age": 25}] 这类“同结构字典组成的列表”，read_json() 才能自动转成 DataFrame。如果 JSON 是单个对象（如 {"data": [...]}）、多层嵌套、或键值类型不统一（比如某条记录 "score": 95，另一条 "score": "N/A"），就会出问题。
实操建议：
- 先用
json.load(f)手动加载，检查顶层结构：type(data)是list还是dict；如果是dict，得先提取真实数据字段，例如data["items"]或data.get("results") - 对嵌套字段（如
"address": {"city": "Beijing", "zip": "100000"}），别硬塞进read_json()，改用pandas.json_normalize()展开 - 遇到空值或
null，pandas 默认转成NaN，但 Excel 里可能显示为空白或#N/A，导出前可用df.fillna("")统一处理
to_excel() 必须指定 engine 且注意路径权限
默认不带 openpyxl 或 xlsxwriter 时，to_excel() 会报 ValueError: No engine specified。pandas 不自带 Excel 写入引擎，必须显式安装并指定。
实操建议：
- 运行
pip install openpyxl（推荐，支持 .xlsx 且能写样式）或pip install xlsxwriter（轻量，但不支持读） - 调用时明确传参：
df.to_excel("output.xlsx", index=False, engine="openpyxl")；漏掉engine参数在新版本 pandas 中会直接失败 - Windows 下路径含中文或空格通常没问题，但 Linux/macOS 若提示
PermissionError，先确认目标目录可写，或换绝对路径测试
时间字段和数字精度容易被 Excel 自动“美化”
pandas 里的 datetime64 列写入 Excel 后，常变成一串数字（Excel 底层序列号），而浮点数如 3.1415926 可能被截断为 3.14159——这不是 pandas 的问题，是 Excel 打开时的默认渲染行为。
实操建议：
- 时间列导出前转字符串：
df["created_at"] = df["created_at"].dt.strftime("%Y-%m-%d %H:%M:%S")，避免格式错乱 - 高精度数字列（如金额、ID），导出前确保是
str类型：df["order_id"] = df["order_id"].astype(str)，防止科学计数法或截断 - 若需保留 Excel 原生时间格式或单元格样式，得用
openpyxl手动操作工作簿，to_excel()本身不提供格式控制
最麻烦的永远不是“怎么写”，而是 JSON 源头是否可信：字段名大小写混用、null/None/"" 混存、数组长度不一致……这些不会报错，但会让 Excel 表格出现大量空列或错位。动手前花 30 秒看一眼原始 JSON 样本，比写十行代码都管用。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
