pandas.json_normalize() 是处理多层嵌套字典最直接高效的方法，能自动展开 dict/list 并生成点号分隔列名；需注意 record_path、meta 配合提取深层结构，预处理混合类型字段，避免循环调用以提升性能。
用 pandas.json_normalize() 处理多层嵌套字典最直接
多数嵌套字典（尤其是类 JSON 结构）不需要手动递归展开，pandas.json_normalize() 就是为此设计的。它能自动识别嵌套的 dict 和 list，把路径转成列名（如 "user.profile.name"），比写递归函数快且健壮。
常见错误是直接传原始字典给 pd.DataFrame()，结果只有一列或报 ValueError: arrays must all be same length —— 那是因为顶层键值类型不一致，DataFrame 构造器无法自动对齐嵌套结构。
- 如果嵌套在某个字段下（比如数据存于
data["results"]），必须显式传入该子结构：json_normalize(data["results"]) - 含列表字段时，默认会“爆炸”（explode）该列；若不想展开，加参数
max_level=0或提前用record_path指定目标路径 - 字段名含点号（
.）不影响解析，但后续引用列时需用df["a.b.c"]而非df.a.b.c
当遇到混合类型字段（如 None、list、str）时要预处理
json_normalize() 对字段类型敏感：同一字段若有时是 None、有时是 {"id": 1}、有时是 [{"id": 1}, {"id": 2}]，就会报 TypeError: unhashable type: 'dict' 或静默丢弃部分数据。
这不是 bug，而是它默认按“第一个非空样本”推断结构。真实接口返回常有这种不规范情况。
- 先统一可疑字段：用
map(lambda x: x if isinstance(x, (dict, list)) else {})把非容器类型转为空字典或空列表 - 或用
errors="ignore"参数跳过解析失败字段（但会丢失整列） - 更稳妥的做法是提前用
json.dumps()+ 正则或ast.literal_eval()清洗脏字符串字段（比如后端把 JSON 对象存成了字符串）
深层嵌套+重复 key 名称需靠 record_path 和 meta 协同提取
典型场景：API 返回中，"items" 是主数据列表，每个 item 下有 "tags" 列表，而 "tags" 里又有 "name" 和 "category" —— 这时直接 json_normalize(data["items"]) 会让 tags 变成一列 list，没法直接分析 tag 属性。
正确做法是用 record_path 指向叶子节点路径，再用 meta 拉上父级字段：
df = json_normalize(
data,
record_path=["items", "tags"], # 展开到 tags 内部
meta=["id", ["items", "title"]], # 提取 items.id 和 items.title
meta_prefix="item_"
)
注意：record_path 必须是完整路径（支持列表形式），不能写 "items.tags" 字符串；meta 中的嵌套字段也要用列表表示，否则会被当成顶层 key。
性能差？别在循环里反复调用 json_normalize()
单次解析万级嵌套字典通常不到 100ms；但如果在 for 循环里对每个 dict 单独调用，Python 解释器开销和 pandas 内部 schema 推断会拖慢 5–10 倍。
真正影响性能的是字段数量（列宽）而非记录数。列超过 500 个时，内存占用和列对齐时间会明显上升。
- 批量处理时，先收集所有字典到一个 list，再整体传给
json_normalize() - 不需要的嵌套分支，用
sep参数设为""或预过滤字典（{k: v for k, v in d.items() if k not in ["debug", "raw_log"]}） - 极深嵌套（>8 层）建议先用
flatten_dict()工具函数做轻量展平，再转 DataFrame —— 避免json_normalize的路径爆炸
嵌套层级越深、字段命名越随意，越要靠 record_path 显式控制展开点；靠自动推断容易漏掉边缘 case，尤其当某些记录缺失某一层时。
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！
