pandas.json_normalize是展开单层嵌套字段最直接稳定的方法，能自动将字典拆为多列并支持路径定位，优于手写apply(pd.series)，但需先确保输入为python字典对象而非json字符串。
用 pandas.json_normalize 展开单层嵌套字段
如果 JSON 嵌套只有一层（比如某列值是 {"name": "Alice", "age": 30}），pandas.json_normalize 是最直接的选择。它能把字典结构自动拆成多列，比手写 apply(pd.Series) 更稳定、支持路径定位。
- 常见错误：直接对含字典的 Series 调用
.str方法（如df["info"].str["name"]），会报AttributeError: Can only use .str accessor with string values - 正确做法：先确认该列类型是
dict或str，若是字符串需先用json.loads转换，再传给json_normalize - 关键参数：
record_path用于指定嵌套数组路径（如"orders.items"），meta用于保留外层字段（如用户 ID） - 性能注意：对大 DataFrame 多次调用
json_normalize比批量处理慢，建议先用pd.concat合并后再展开
用 apply + pd.Series 处理不规则或混合类型嵌套
当某列中部分值是字典、部分是 None、部分是空字符串或非法 JSON 字符串时，json_normalize 会直接报错或丢行。这时得自己加容错逻辑。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 典型错误现象：
ValueError: dictionaries must have the same keys—— 因为不同行的字典 key 不一致 - 推荐写法：
df["detail"].apply(lambda x: pd.Series(x) if isinstance(x, dict) else pd.Series())，避免json.loads在非字符串上崩溃 - 别用
eval()解析 JSON 字符串，存在安全风险；优先用json.loads()并包一层try/except - 如果嵌套深度超过两层（如
{"a": {"b": {"c": 1}}}），apply比json_normalize更容易控制展开粒度
用 ast.literal_eval 替代 json.loads 处理 Python 字面量格式
有些数据导出时把字典存成了字符串形式但不是标准 JSON（例如用单引号、True 小写、含注释），json.loads 会失败，而 ast.literal_eval 能安全解析合法 Python 字面量。
- 错误示例：
json.loads("{'name': 'Bob'}")→JSONDecodeError；但ast.literal_eval("{'name': 'Bob'}")成功 - 必须配合
isinstance(x, str)判断，否则对已经是 dict 的值调用literal_eval会报错 - 不支持 JSON 中常见的
null、Infinity等，仅限dict/list/str/int/float/bool/None - 速度略慢于
json.loads，但胜在兼容性——尤其面对爬虫或旧系统导出的“伪 JSON”字段时很实用
避免 pd.DataFrame(...).explode() 误炸多级嵌套
explode 只适合扁平化 list 类型列，若对已展开的 dict 列再 explode，会把每个 key 当作一个元素炸开，结果完全不可控。
- 典型翻车场景：先用
json_normalize得到items列（内容是[{"id":1},{"id":2}]），然后直接.explode("items")—— 这步是对的；但如果接着对items列再.explode()，就会把{"id":1}拆成两个元素"id"和1 - 正确链式操作顺序：先
json_normalize或apply把嵌套 dict 拆成子 DataFrame，再对其中的 list 列explode，最后用json_normalize处理爆炸后的 dict 元素 - 检查爆炸后 shape 是否异常膨胀（比如行数突然变成原来的 100 倍），往往是没提前过滤空 list 或
None导致
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！
