json_normalize比手动递归快，因其底层用Cython预编译路径解析与列名生成，跳过Python层反复类型判断；自动处理缺失键、None转NaN，适配pandas空值语义。
json_normalize 为什么比手动递归快？
因为 json_normalize 底层用 Cython 预编译了路径解析和列名生成逻辑，跳过了 Python 层的反复 isinstance 判断和字典遍历。手动写递归处理嵌套字典+列表混合结构时，容易在深度不一致、空值缺失、类型混杂（比如某处是 None，另一处是空列表）时抛出 KeyError 或 TypeError，而 json_normalize 默认跳过缺失键、把 None 转为 NaN，天然适配 pandas.DataFrame 的空值语义。
嵌套列表字段怎么指定 record_path 和 meta？
当 JSON 中有类似 {"users": [{"name": "A", "tags": ["x", "y"]}, ...]} 这种结构时，record_path 指向要“展开成行”的最内层列表路径（如 ["users"]），meta 用于保留外层上下文字段（如 ["id", "created_at"]）。注意：record_path 必须是列表（哪怕只有一级），不能是字符串；如果嵌套更深，比如 data["response"]["results"]，就得写成 ["response", "results"] —— 错写成 "response.results" 会直接报 KeyError。
常见错误现象：ValueError: records path not found in JSON，多半是路径拼错或目标字段根本不存在（比如 API 返回空数组或字段名大小写不匹配）。
- 路径层级必须严格匹配，区分大小写
- 如果
record_path对应的是空列表，json_normalize返回空DataFrame，不会报错 -
meta字段若在某条记录中缺失，对应位置自动填NaN，无需提前补全
如何处理同名但嵌套层级不同的字段？
比如 JSON 中既有顶层的 "id"，又有 "user" 对象里的 "id"，默认会冲突。解决方法是用 errors="ignore" + 显式指定 meta 路径，或更稳妥地：给 meta 传元组 (["id"], "root_id") 和 (["user", "id"], "user_id")，这样能强制重命名列名。不这么做的话，后出现的同名列会覆盖前面的，且无提示。
立即学习“Python免费学习笔记（深入）”；
华为云 Python SDK 查询工具。自动发现已安装 SDK 的服务包、Client类、API 方法、入参详情、类信息（__init__ 参数、属性、类型、描述），支持关键字搜索，快速定位目标 API 使用方法。
性能影响：使用元组形式指定 meta 不影响速度，但路径越深、字段越多，列名拼接开销略增——不过对万级以下数据几乎不可测。
示例：
json_normalize(
data,
record_path=["items"],
meta=[("metadata", "version"), ("user", "id")],
errors="raise"
)
遇到 datetime 字符串或布尔值怎么保持原类型？
json_normalize 默认把所有值当字符串/数字处理，不会自动转 datetime 或 bool。如果你后续要用 df["created"].dt.month，得自己调 pd.to_datetime(df["created"])；布尔字段（如 "active": true）会被读成 Python True/False，但若 JSON 里写的是字符串 "true"，就真变成字符串了——这时候必须加 convert_dtypes=True（pandas ≥ 1.3）或手动 df["active"] = df["active"].map({"true": True, "false": False})。
容易被忽略的地方：API 返回的时间戳可能是毫秒级整数，pd.to_datetime(..., unit="ms") 必须显式指定单位，否则当成秒处理会错位 1000 倍。
