pd.read_json() 因缺失键报错是因为默认按严格结构解析，无法对齐字段；应改用 pd.json_normalize() 自动补 None，或手动统一字段、正确设置 orient 参数。
为什么 pd.read_json() 会因缺失键报 ValueError: arrays must all be same length
JSON 数组里每条记录字段不一致（比如有的有 "age"，有的没有），pd.read_json() 默认按“严格结构”解析，遇到某行缺键就无法对齐列，直接抛这个错。它不是忽略缺失，而是根本没法推断出统一 schema。
用 pd.json_normalize() 替代 pd.read_json() 处理不规则 JSON
pd.json_normalize() 是专为嵌套/不规整 JSON 设计的，能自动补 None 填缺失键，且支持 record_path 和 meta 参数处理深层结构。
- 对扁平 JSON 列表：直接传入
pd.json_normalize(your_list) - 对带外层包装的 JSON（如
{"data": [...]}）：用pd.json_normalize(data, record_path="data") - 若需保留父级字段（如
"category"）：加meta="category"参数
示例：
import pandas as pd
data = [{"name": "Alice", "city": "Beijing"}, {"name": "Bob"}]
df = pd.json_normalize(data) # 自动补 city: None手动预处理 JSON：用 json.loads() + 列名集合统一字段
当数据量大或需精细控制默认值时，先用标准库解析，再构造字段齐整的列表更可控。
立即学习“Python免费学习笔记（深入）”；
- 先提取所有可能出现的 key：
all_keys = set().union(*[d.keys() for d in data]) - 逐行填充缺失键：
{k: d.get(k) for k in all_keys} - 避免用
dict.fromkeys(all_keys)—— 它会让所有行共享同一个None引用，改一处全变
注意：如果 JSON 含嵌套字典，pd.json_normalize() 更省事；纯扁平且键集变化不大时，手动补字段性能略优。
从源头规避：用 orient 参数匹配 JSON 结构
pd.read_json() 的 orient 参数必须和实际 JSON 格式严格对应，否则会误判结构导致键错位。
- JSON 数组（
[{...}, {...}]）→ 必须用orient="records" - JSON 对象（
{"a":1,"b":2}）→ 用orient="index"或"columns"，别硬塞"records" - 没指定
orient时，默认是"columns"，极易在数组输入时出错
错误示范：pd.read_json('[{"x":1}]') 不加 orient="records" 就会解析失败或字段错乱。
真正麻烦的不是缺键本身，而是混合了嵌套、重复字段、空对象和部分缺失——这种情况下 pd.json_normalize() 的 errors="ignore" 和 max_level 参数得反复试，别指望一次跑通。
