json怎么转换成数据表

JSON数据轻松转换为数据表：实用指南与代码示例

在数据处理与分析中,JSON（JavaScript Object Notation）因其轻量级、易读性和灵活的结构，成为数据交换的主流格式之一，许多数据分析工具（如Excel、SQL数据库、Pandas等）更习惯处理结构化的数据表（二维表，含行列标题），将JSON转换为数据表是数据预处理的关键步骤，本文将详细介绍JSON转换为数据表的常见场景、方法及具体代码示例，帮助您高效完成数据转换。

JSON与数据表的结构差异

在转换前,需先理解两者的核心区别：

• JSON：是一种树形/嵌套结构，支持对象（键值对集合）、数组（有序值列表）、基本数据类型（字符串、数字、布尔值等）。

  [
    {"id": 1, "name": "Alice", "hobbies": ["reading", "hiking"], "info": {"age": 25, "city": "Beijing"}},
    {"id": 2, "name": "Bob", "hobbies": ["coding"], "info": {"age": 30, "city": "Shanghai"}}
  ]

• 数据表：是二维结构，由行（记录）和列（字段）组成，要求每列数据类型一致，且通常不支持嵌套或数组。
  | id | name | hobbies | age | city | |----|-------|----------------|-----|----------| | 1 | Alice | ["reading", "hiking"] | 25 | Beijing | | 2 | Bob | ["coding"] | 30 | Shanghai |

转换的核心目标是将JSON的嵌套/数组结构“扁平化”为数据表的行列结构，同时保留原始数据信息。

常见JSON转换场景与对应方法

根据JSON的复杂程度（简单扁平结构、嵌套对象、嵌套数组），转换方法略有不同，以下是三种典型场景及解决方案：

场景1：简单JSON（扁平结构，无嵌套/数组）

特点：JSON对象是“键值对”集合，值均为基本类型（字符串、数字等），可直接映射为数据表的列。

方法：直接遍历生成表格

• 工具：Python内置json模块 + pandas（推荐，可直接生成DataFrame）
• 步骤：
  1. 解析JSON字符串为Python对象（列表/字典）；
  2. 若JSON是对象列表,直接传给pandas.DataFrame()；
  3. 若是单个对象,需包装成列表再转换。

示例代码：

import json
import pandas as pd
# 示例JSON（对象列表）
json_data = '''
[
  {"id": 1, "name": "Alice", "age": 25},
  {"id": 2, "name": "Bob", "age": 30}
]
'''
# 解析JSON并转为DataFrame
data = json.loads(json_data)
df = pd.DataFrame(data)
# 输出结果
print(df)

输出：

   id   name  age
0   1  Alice   25
1   2    Bob   30

场景2：JSON含嵌套对象（如“info”: {“age”: 25, “city”: “Beijing”}）

特点：某些字段的值是对象（字典），需将其拆分为多列列名（如“info.age”“info.city”）。

方法：递归/扁平化处理嵌套对象

• 工具：pandas.json_normalize()（专门用于扁平化嵌套JSON）
• 参数：record_path（指定数组路径，若JSON是对象列表则默认为第一层）、meta（保留的非嵌套字段）、sep（嵌套列名分隔符，默认为“.”）。

示例代码：

import json
import pandas as pd
# 示例JSON（含嵌套对象）
json_data = '''
[
  {"id": 1, "name": "Alice", "info": {"age": 25, "city": "Beijing"}},
  {"id": 2, "name": "Bob", "info": {"age": 30, "city": "Shanghai"}}
]
'''
# 解析JSON并扁平化嵌套对象
data = json.loads(json_data)
df = pd.json_normalize(data, sep='_')  # 默认将嵌套对象拆分为"key_subkey"列
# 输出结果
print(df)

输出：

   id   name  info_age info_city
0   1  Alice        25   Beijing
1   2    Bob        30  Shanghai

若需自定义列名（如“age”而非“info_age”），可通过meta参数指定：

df = pd.json_normalize(data, meta=['id', 'name'], sep='_')
# 输出：id  name  info_age info_city

场景3：JSON含嵌套数组（如“hobbies”: ["reading", "hiking"]）

特点：某些字段的值是数组，需将数组元素展开为多行（“行展开”），或合并为字符串（“列合并”）。

方法1：行展开（数组元素转为多行）

• 工具：pandas.explode()（将数组列拆分为多行，保持其他列值不变）
• 适用场景：需保留每个数组元素作为独立记录（如用户爱好需单独分析）。

示例代码：

import pandas as pd
# 示例JSON（含数组字段）
json_data = '''
[
  {"id": 1, "name": "Alice", "hobbies": ["reading", "hiking"]},
  {"id": 2, "name": "Bob", "hobbies": ["coding"]}
]
'''
df = pd.DataFrame(json.loads(json_data))
df_exploded = df.explode('hobbies')  # 将"hobbies"列数组展开为多行
# 输出结果
print(df_exploded)

输出：

   id   name hobbies
0   1  Alice  reading
0   1  Alice   hiking
1   2    Bob   coding

方法2：列合并（数组元素转为字符串）

• 工具：str.join()（将数组元素用指定分隔符合并为字符串）
• 适用场景：需将数组作为整体字段存储（如数据库字段不支持数组类型）。

示例代码：

df_merged = df.copy()
df_merged['hobbies'] = df_merged['hobbies'].str.join(', ')  # 用逗号+空格连接数组元素
# 输出结果
print(df_merged)

输出：

   id   name        hobbies
0   1  Alice  reading, hiking
1   2    Bob          coding

场景4：复杂JSON（多层嵌套+数组混合）

特点：同时包含嵌套对象和嵌套数组（如场景2+场景3的组合），需结合json_normalize和explode处理。

示例代码：

import json
import pandas as pd
# 复杂JSON示例（嵌套对象+嵌套数组）
json_data = '''
[
  {"id": 1, "name": "Alice", "info": {"age": 25, "city": "Beijing"}, "hobbies": ["reading", "hiking"]},
  {"id": 2, "name": "Bob", "info": {"age": 30, "city": "Shanghai"}, "hobbies": ["coding"]}
]
'''
# 第一步：扁平化嵌套对象
df_flat = pd.json_normalize(json.loads(json_data), sep='_')
# 第二步：展开数组列"hobbies"
df_final = df_flat.explode('hobbies')
# 输出结果
print(df_final)

输出：

   id   name  info_age info_city hobbies
0   1  Alice        25   Beijing  reading
0   1  Alice        25   Beijing   hiking
1   2    Bob        30  Shanghai   coding

其他工具实现（非Python场景）

若不使用Python,也可通过以下工具完成JSON转数据表：

Excel（手动处理，适合小型JSON）

• 步骤：
  1. 复制JSON数据,粘贴到Excel单元格（如A1）；
  2. 选中数据,点击“数据”选项卡 → “获取数据” → “从JSON”；
  3. 在“Power Query编辑器”中，通过“展开列”功能拆分嵌套对象/数组；
  4. 关闭并加载,生成数据表。
• 缺点：处理大型JSON或复杂嵌套时效率低。

在