json_normalize 是 pandas 用于处理嵌套 json 数据的工具。1. 理解嵌套 json 结构，如包含字典和列表的多层结构；2. 使用 json_normalize 可将嵌套数据拍平成表格形式，地址字段通过点号路径展开；3. 利用 explode 展开列表字段，每个元素单独一行，或合并为字符串显示；4. 处理复杂嵌套时可通过 record_path 指定路径提取深层字段，结合 max_level 控制展开层级。
处理JSON嵌套结构在Python中是一个常见的任务，尤其是在从API获取数据时。json_normalize 是 pandas 提供的一个非常实用的工具，能将嵌套的 JSON 数据“拍平”成表格形式，方便后续分析。
1. 理解什么是嵌套JSON
在实际工作中，我们经常遇到类似如下的结构：
data = [
{
"id": 1,
"name": "Alice",
"address": {
"city": "Beijing",
"zip": "100000"
},
"hobbies": ["reading", "cycling"]
},
{
"id": 2,
"name": "Bob",
"address": {
"city": "Shanghai",
"zip": "200000"
},
"hobbies": ["gaming"]
}
]这个结构中包含了字典嵌套和列表，直接用 pd.DataFrame(data) 处理的话，有些字段还是嵌套的，不方便查看和分析。
立即学习“Python免费学习笔记（深入）”；
2. 使用 json_normalize 基础用法
pandas.json_normalize() 的基本作用就是把嵌套结构展开成列。你可以这样使用它：
import pandas as pd df = pd.json_normalize(data) print(df)
输出结果会是这样的 DataFrame：
| id | name | address.city | address.zip | hobbies |
|---|---|---|---|---|
| 1 | Alice | Beijing | 100000 | [reading, cycling] |
| 2 | Bob | Shanghai | 200000 | [gaming] |
这样地址信息就被“平铺”出来了。
提示：
- 如果你只想要某些字段，可以加
record_path参数指定路径。 - 想要展开列表类型字段（比如 hobbies），可以结合
max_level=1或者使用explode。
3. 展开列表字段的技巧
上面的例子中，hobbies 字段是列表，如果我们想把每个爱好单独一行，可以用 explode：
df = df.explode("hobbies")这样原来的一行可能会变成多行，例如 Alice 就会有两行记录，分别对应 reading 和 cycling。
如果你希望保留原始结构但又不想丢掉列表中的多个值，也可以考虑把这些值合并成字符串：
df["hobbies"] = df["hobbies"].apply(lambda x: ", ".join(x))
这样显示更直观，适合展示类用途。
4. 更复杂的嵌套怎么处理？
当结构更深的时候，比如：
{
"user": {
"profile": {
"name": "Charlie",
"contact": {
"email": "charlie@example.com",
"phone": "123456789"
}
}
}
}你可以通过点号表示法访问深层字段：
pd.json_normalize(data, max_level=10)
或者指定字段路径：
df = pd.json_normalize(
data,
record_path=["user", "profile"],
meta=[["user", "profile", "contact", "email"]]
)不过一般建议先用 max_level 试试看效果，再根据需要提取特定字段。
总的来说，json_normalize 虽然功能强大，但也不是万能的，有时候需要配合 apply、explode、rename 等操作一起使用。关键是理解原始结构，并有意识地控制输出格式。
基本上就这些，不复杂但容易忽略细节的地方在于字段路径和层级结构的匹配，稍不小心就会出错。
