将 pandas series 转为 json 字符串时，nan 值会导致 `json.dumps()` 报错（因 json 标准不支持 nan），需先剔除或替换缺失值；推荐使用 `dropna()` 清洗后再序列化。
在使用 Pandas 处理标识符（如股票代码、产品 ID）列并导出为 JSON 供下游系统（如 PostgreSQL 的 JSONB 查询、API 请求体）使用时，一个常见陷阱是：原始数据中存在缺失值（NaN），而 Python 的 json.dumps() 默认无法序列化 NaN——它会将其转为字符串 "NaN"，但该字符串不符合 RFC 7159 JSON 规范，导致数据库或服务端解析失败（如报错 Token "NaN" is invalid）。
正确做法是在序列化前彻底移除或标准化缺失值。最简洁、安全的方式是使用 .dropna()：
import json
import pandas as pd
# 示例数据
df = pd.DataFrame({
'identifier': ['US00B8KQN827', 'US0530151036', 'CA82509L1076', None, 'GB00BH4HKS39', float('nan')]
})
# ✅ 正确：先丢弃 NaN/None，再转 JSON 列表
json_list = json.dumps(df['identifier'].dropna().tolist())
print(json_list)
# 输出: ["US00B8KQN827", "US0530151036", "CA82509L1076", "GB00BH4HKS39"]⚠️ 注意事项：
- dropna() 同时移除 None、numpy.nan 和 pandas.NA，兼容多种缺失值类型；
- 若需保留空字符串占位（而非删除），可用 fillna("") 替代，但需确保业务逻辑允许空字符串；
- 切勿使用 str.replace('NaN', '') 或正则清洗 JSON 字符串——这属于事后补救，易引入格式错误（如破坏嵌套结构或引号配对）；
- 在构建 SQL 查询（如 WHERE identifier IN (...)）时，建议进一步校验列表长度，避免空列表导致语法错误。
总结：JSON 序列化前的数据清洗应在 Pandas 层完成，df['col'].dropna().tolist() 是处理含缺失值标识符列转 JSON 的标准、高效且健壮的模式。
