JSON转CSV关键在预处理和结构对齐：需用json_normalize()展平嵌套、处理数组、统一缺失值与混合类型，并注意编码、时间字段格式及大文件流式写入。
JSON 转 CSV 不是简单地把字段拼成一行——嵌套结构、空值、类型不一致、数组字段都会让 pandas.read_json() 或 json.loads() + csv.writer 直接报错或丢数据。关键在预处理和结构对齐。
处理嵌套 JSON 字段（如 "address": {"city": "Beijing", "zip": "100000"}）
CSV 是扁平结构，不能直接存字典。必须展开嵌套，否则 pandas.json_normalize() 会跳过或报 ValueError: arrays must all be same length。
- 用
pandas.json_normalize(data, sep="_")自动打平，sep="_"避免列名含点号（如address.city→address_city），方便后续处理 - 如果只有一层嵌套但想手动控制，可用字典推导：
{f"{k}_{sk}": sv for k, v in item.items() if isinstance(v, dict) for sk, sv in v.items()}，再合并原字典的非 dict 字段 - 遇到
"tags": ["a", "b"]这类数组，json_normalize默认转成字符串["a", "b"]；若需拆成多行，得先用pd.json_normalize的record_path参数单独提取，再merge回主表
应对缺失字段和混合类型（如有的对象有 "score"，有的没有；或 "score" 有时是 int，有时是 null）
pandas 读取时默认把缺失字段填为 NaN，但混合类型会让整列变成 object，影响数值计算；导出 CSV 后 Excel 可能误判格式。
- 加载后立刻用
df = df.convert_dtypes()启用 nullable 类型（Int64,string,boolean），比astype()更安全 - 对疑似数值列，用
pd.to_numeric(df["score"], errors="coerce")强制转数字，无效值变NaN；不要用astype(float)，它遇到"N/A"直接崩 - 导出前检查：运行
df.dtypes，确认关键列不是object；若有，说明存在类型冲突，得回溯原始 JSON 找异常值
用 csv.DictWriter 手动写入（绕过 pandas，适合大文件或内存受限）
当 JSON 文件超 500MB 或字段极不规则，pandas 容易 OOM。csv.DictWriter 流式写入更稳，但必须提前知道所有可能字段名。
立即学习“Python免费学习笔记（深入）”；
- 第一遍扫描 JSON 列表，收集全部键名：
all_keys = set().union(*[d.keys() for d in data])，再排序确保列序固定 - 写入时用
writer.writerow({k: d.get(k, "") for k in all_keys})，避免KeyError；空值统一填空字符串，而非None（否则 CSV 里出现None字面量） - 注意编码：打开文件必须指定
encoding="utf-8-sig"，否则中文 Windows Excel 打开乱码；别用"utf-8"
最常被忽略的是时间字段——JSON 里的 "created_at": "2024-03-15T08:22:10Z" 用 json_normalize 会原样当字符串写入，Excel 不识别为日期。需要额外调用 pd.to_datetime() 并用 date_format 参数控制输出格式，否则 CSV 里存的是带时区的 ISO 字符串，下游系统解析容易出错。
