json_normalize比手写递归更可靠，因其专为展平嵌套结构设计，内置处理None、空列表、混合类型等边界情况，并按record_path和meta精准提取结构化记录与上下文字段。
为什么 json_normalize 比手写递归更可靠？
因为它的设计目标就是把树状嵌套结构“压平”成二维表，而不是提取某个值或遍历所有节点。当你最终要喂给 pandas.DataFrame、导出 CSV 或做聚合分析时，json_normalize 直接产出列对齐的结构，避免了自己处理键冲突、空值对齐、列表长度不一致等隐性坑。
它内部自动处理：None 值填充、重复键的层级前缀、嵌套列表展开（可选）、多级路径映射——这些全是手写递归函数容易漏掉或逻辑错乱的地方。
json_normalize 的三个关键参数怎么选？
核心是看原始 JSON 的顶层结构：
- 如果顶层是
list（比如 API 返回的多个订单），直接传入该列表，data=your_list - 如果顶层是
dict，但你想展开其中某个嵌套字段（如"orders"），用record_path="orders"，再配合meta提取外层字段（如["system_info.api_version"]） - 遇到字段名含点号（
"user.name"）或想自定义列名，必须设sep="_"，否则默认的.会和路径分隔符冲突，导致列名解析失败
展开嵌套列表时为什么总少数据？
默认情况下，json_normalize 遇到字段值为 list 时，只取第一个元素（类似 pd.json_normalize(..., max_level=0)）。要完整展开，必须显式指定：
立即学习“Python免费学习笔记（深入）”；
-
record_path指向那个列表字段（如["products"]） -
meta列出需要带下来的父级字段（如["order_id", "customer.name"]） - 若列表在多层深处（如
data["response"]["items"][0]["details"]），不能写字符串路径，得用record_path=["response", "items", "details"]
漏掉 record_path 或路径写成字符串（如 "response.items.details"），结果就是空 DataFrame 或报 KeyError。
如何安全处理缺失字段和类型混杂？
json_normalize 默认对缺失字段填 NaN，但如果你后续要进数据库或导出 Excel，NaN 可能引发问题。建议：
- 加参数
errors="ignore"防止某条记录字段缺失导致整个解析中断 - 用
fill_value统一替换空值（如fill_value=""或fill_value=None） - 对已知可能为
int/str混合的字段（如"amount"），解析后手动调用df["amount"] = pd.to_numeric(df["amount"], errors="coerce")
最易忽略的是：当原始 JSON 中同一字段在不同记录里类型不一致（比如有时是 str，有时是 dict），json_normalize 会静默丢弃该字段的全部值——必须提前用 pd.json_normalize(..., max_level=1) 看一眼原始结构再决定展开策略。
