直接用 json.loads() 后遍历易出错，因嵌套深、类型混杂（dict/list/None/自定义对象），硬写递归易漏 list 中 dict 或在 None 调用 .items() 报错；键名重复（如多处 "user"）导致扁平后冲突；flatten_dict 库需配置 separator="_"、enumerate_types=(list,)、keep_empty_types=() 才适配真实数据；手写函数须支持 max_depth 和 skip_keys 过滤无用字段。
为什么直接用 json.loads() 后遍历会出错？
因为嵌套层级深、类型混杂（dict、list、None、甚至自定义对象），硬写递归容易漏掉 list 中的字典，或在 None 上调用 .items() 报 AttributeError。更麻烦的是键名重复——比如多个 {"user": {"id": 1}} 和 {"order": {"user": {"name": "A"}}}，扁平后都可能生成 user_id，冲突不可避免。
flatten_dict 库能直接用，但要注意三个默认行为
第三方库 flatten_dict 确实省事，但它默认用 . 当分隔符、不处理 list、且把 None 变成空字符串。实际数据里常有数组字段（如 "tags": ["a", "b"]）和缺失字段（"phone": null），必须显式配置：
- 用
separator="_"避免点号在字段名中引发歧义（比如原始 key 是"v1.2.3"） - 加
enumerate_types=(list,)才能把["x", "y"]展开成tags_0="x",tags_1="y" - 设
keep_empty_types=()防止None被转成""，保留为None更利于后续判断
手写扁平化函数时，max_depth 和 skip_keys 是刚需
真实业务 JSON 常含大段无用字段（如 "debug_info"、"raw_xml"），全展开既慢又占内存。手写时务必支持深度限制和键过滤：
def flatten_json(obj, prefix="", sep="_", max_depth=5, skip_keys=("debug_info", "meta")):
if max_depth <= 0:
return {f"{prefix}": obj} if prefix else {"_truncated": True}
if not isinstance(obj, (dict, list)):
return {prefix: obj} if prefix else {"" : obj}
result = {}
if isinstance(obj, dict):
for k, v in obj.items():
if k in skip_keys:
continue
new_key = f"{prefix}{sep}{k}" if prefix else k
result.update(flatten_json(v, new_key, sep, max_depth - 1, skip_keys))
elif isinstance(obj, list):
for i, item in enumerate(obj):
new_key = f"{prefix}{sep}{i}" if prefix else str(i)
result.update(flatten_json(item, new_key, sep, max_depth - 1, skip_keys))
return result注意：这里 skip_keys 是元组而非列表，避免被误修改；max_depth 从外向内递减，到 0 就截断并打标记，比单纯抛异常更可控。
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
立即学习“Python免费学习笔记（深入）”；
扁平后字段爆炸？用 pandas.json_normalize 做定向提取
当只关心某几层（比如所有 user.name 和 order.items[].price），不用全量扁平。用 pandas.json_normalize 指定 record_path 和 meta 更高效：
import pandas as pd
df = pd.json_normalize(
data,
record_path=["orders", "items"], # 提取嵌套数组
meta=[["user", "id"], ["user", "name"], ["order_id"]], # 提取父级字段
errors="ignore"
)关键点：errors="ignore" 防止某条记录缺 user 字段就整个失败；meta 中用列表表示嵌套路径，比手拼 key 安全；返回是 DataFrame，天然支持去重、筛选、导出，比纯字典更适合后续分析。
复杂嵌套里最易忽略的不是怎么展，而是“展到哪”——没约束的扁平化等于制造新混乱。字段命名冲突、list 处理方式、空值表示、性能边界，每个都得在动手前想清楚。
