Python中如何将嵌套JSON扁平化转换为Pandas DataFrame

原有方案问题 #

你之前使用的flatten_json函数会将整个JSON结构拍平为单个全局字典，所有字段的属性会被合并为列，无法实现每个字段名单独占一行的要求，也不能自动补全不同字段的缺失属性值。

兼容多层嵌套的实现代码 #

直接使用pandas内置的json_normalize即可实现需求，该函数原生支持嵌套结构展开、自动填充缺失值，无需自行维护递归拍平逻辑：

import pandas as pd

def json_fields_to_df(nested_json):
    # 提取所有字段的配置信息
    fields_config = nested_json.get("fields", {})
    # 展开每个字段的嵌套属性
    df = pd.json_normalize(list(fields_config.values()))
    # 新增字段名列，放在第一列
    df.insert(0, "field_name", list(fields_config.keys()))
    # 缺失值统一替换为NULL，不需要可以删除这行
    df = df.fillna("NULL")
    return df

效果测试 #

测试简单嵌套JSON #

输入示例：

simple_json = {
    "fields": {
        "tcidte": {
            "mode": "required",
            "type": "date",
            "format": "%Y%m%d"
        },
        "tcmcid": {
            "mode": "required",
            "type": "string"
        },
        "tcacbr": {
            "mode": "required",
            "type": "string"
        }
    }
}
print(json_fields_to_df(simple_json))

输出结果：

field_name      mode    type   format
0     tcidte  required    date  %Y%m%d
1     tcmcid  required  string     NULL
2     tcacbr  required  string     NULL

测试深层嵌套JSON #

输入示例：

deep_json = {
    "fields": {
        "action": {
            "type": {
                "field_type": "string"
            },
            "mode": "required"
        },
        "upi": {
            "type": {
                "field_type": "string"
            },
            "regex": "^[0-9]{9}$",
            "mode": "required"
        },
        "firstname": {
            "type": {
                "field_type": "string"
            },
            "mode": "required"
        }
    }
}
print(json_fields_to_df(deep_json))

输出结果：

field_name      mode type.field_type        regex
0     action  required          string         NULL
1        upi  required          string  ^[0-9]{9}$
2  firstname  required          string         NULL

说明 #

• 多层嵌套的属性会自动用.拼接生成列名，无需额外处理
• 缺失属性自动填充为NULL，符合需求
• 方案兼容绝大多数嵌套JSON结构，不需要调整递归逻辑

内容的提问来源于stack exchange，提问作者Elliot_J