pandas.json_normalize是处理嵌套字典列表的正确方法，能自动展开层级、处理缺失值和混合类型，优于手动展平或直接dataframe构造。
用 pandas.json_normalize 处理嵌套字典列表最直接
多数人卡在 pd.DataFrame() 直接构造失败，因为嵌套结构里存在不等长的字典、None 值或混合类型字段。真正该用的是 pandas.json_normalize——它专为这种场景设计，能自动展开层级、处理缺失、生成带点号分隔的列名。
常见错误是把嵌套数据先手动递归展平再转 DataFrame，既易出错又慢。而 json_normalize 内部已优化过路径解析和空值填充逻辑。
- 对纯字典列表（无顶层 key），直接传入：
pd.json_normalize(data) - 若数据包在某个 key 下（如
{"results": [...]}），用record_path指定路径：pd.json_normalize(data, record_path="results") - 需要保留外层字段（如 metadata）时，配合
meta参数：pd.json_normalize(data, record_path="results", meta=["id", "timestamp"])
遇到 list-of-dict 字段时必须用 sep 和 max_level 控制展开深度
当某字段值本身是 [{"a": 1}, {"a": 2}] 这类列表时，默认行为会把整个 list 当作一个 object，列内容变成 [{"a": 1}, {"a": 2}] 而非两行。这时得靠 sep 和 max_level 显式控制。
默认 sep="."，但若原始字段名含点号（如 "user.id"），建议改用 sep="_" 避免歧义；max_level=0 表示只展开一级，适合想保留某些子结构的场景。
- 想把
"tags": [{"name": "A"}, {"name": "B"}]拆成两行？必须加record_path和meta组合：pd.json_normalize(data, record_path=["tags"], meta=[["user", "id"], ["post", "title"]]) - 字段名冲突（如外层和内层都有
"id"）会导致列重名，json_normalize默认加后缀.0、.1，可提前 rename 或用errors="ignore"
空值、None 和缺失字段会让列类型变 object，需主动转换
json_normalize 对缺失字段统一填 None，导致整列 dtype 变成 object，后续算术运算或排序会报错。这不是 bug，而是为兼容任意嵌套结构做的保守设计。
别依赖 df.fillna().astype() 一刀切——不同列可能有不同合理默认值（比如时间字段填 pd.NaT，数值字段填 -1 或 np.nan）。
- 数值列：先
pd.to_numeric(df["col"], errors="coerce")，把非法字符串转为NaN - 时间列：用
pd.to_datetime(df["col"], errors="coerce")，无效值变NaT - 布尔列：注意
None无法直接转 bool，得先df["col"].map({True: True, False: False})或用astype("boolean")（pandas 1.0+）
超深嵌套（>5 层）或动态 key 名时，json_normalize 会失效
当嵌套超过 5–6 层，或 key 名本身是变量（如 {"2023-01": {...}, "2023-02": {...}}），json_normalize 的静态路径语法就力不从心了。这时候得退回到手动递归 + pd.json_normalize 分段处理。
典型陷阱是试图用正则匹配 key 名传给 record_path——它不支持通配符或 pattern，只认确切字符串或 list of strings。
- 动态日期 key：先用
{k: v for k, v in data.items() if k.startswith("20")}提取，再对每个 value 单独json_normalize - 混合结构（有些 item 有
"details"，有些没有）：先统一补全字段，或用errors="ignore"并接受部分列为None - 性能敏感场景：避免多次调用
json_normalize，优先用functools.reduce合并结果，而非pd.concat循环追加
真正麻烦的不是怎么展开，而是展开后字段语义是否还清晰——点号分隔的列名（如 user.profile.address.city）一旦超过三层，后续写分析代码就容易漏掉层级或拼错名字。
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！
