本文介绍使用 pandas.json_normalize 处理多层嵌套 JSON（如含列表的列表）的正确方法，通过指定 record_path 和 meta 参数，一步生成结构清晰、无冗余列的目标 DataFrame。
本文介绍使用 `pandas.json_normalize` 处理多层嵌套 json（如含列表的列表）的正确方法，通过指定 `record_path` 和 `meta` 参数，一步生成结构清晰、无冗余列的目标 dataframe。
在数据分析和 API 集成场景中，常需将深度嵌套的 JSON 响应（例如 Tableau REST API 返回的 workbook–datasource–table 层级结构）转换为规整的二维表格。直接调用 pd.json_normalize(json_data) 无法自动穿透多级嵌套路径，而手动循环提取再拼接又易出错、可维护性差。
pandas.json_normalize 提供了强大的嵌套解析能力，关键在于合理组合以下参数：
-
record_path：指定要展开为记录行的最深层嵌套列表路径（支持多级列表，如['embeddedDatasources', 'upstreamTables']）； -
meta：指定需向上关联的父级字段名（如'name'表示 workbook 名），避免丢失上下文； -
meta_prefix：为meta字段添加前缀，防止与record_path中同名字段（如name）冲突，规避ValueError: Conflicting metadata。
以下是完整实现代码（适配您提供的 JSON 结构）：
import pandas as pd
# 假设 resp 是 response.json() 的返回结果
# resp = {
# "workbooks": [ ... ]
# }
df = (
pd.json_normalize(
resp['workbooks'],
record_path=['embeddedDatasources', 'upstreamTables'],
meta='name',
meta_prefix='meta_'
)
.rename(columns={
'name': 'upstreamTables',
'meta_name': 'workbooks'
})
[['workbooks', 'upstreamTables']]
)
print(df)
✅ 输出效果完全匹配目标格式：
workbooks upstreamTables 0 WORKBOOK_A WORKBOOK_A_TABLE_A 1 WORKBOOK_A WORKBOOK_A_TABLE_B 2 WORKBOOK_A WORKBOOK_A_TABLE_C 3 WORKBOOK_B WORKBOOK_B_TABLE_A 4 WORKBOOK_B WORKBOOK_B_TABLE_B 5 WORKBOOK_B WORKBOOK_B_TABLE_C 6 WORKBOOK_B WORKBOOK_B_TABLE_D
⚠️ 注意事项：
- 空列表（如
"upstreamTables": []）会被自动跳过，无需额外过滤； - 若
meta字段本身是嵌套字典，可传入['parent', 'field']形式路径； -
record_path必须指向实际存在的列表，否则抛出KeyError；建议先用jsonpath-ng或print(resp['workbooks'][0].keys())探查结构； - 如需保留其他元信息（如 datasource ID），可将多个字段传入
meta元组，例如meta=['name', 'id']。
该方法简洁、向量化、可扩展，是处理生产级嵌套 JSON 的推荐实践。
