您可以直接传递data，而不需要任何额外的参数。

df = pd.io.json.json_normalize(data)
df

   complete    mid.c    mid.h    mid.l    mid.o                  time  volume
0      True  119.743  119.891  119.249  119.341  1488319200.000000000   14651
1      True  119.893  119.954  119.552  119.738  1488348000.000000000   10738
2      True  119.946  120.221  119.840  119.888  1488376800.000000000   10041

如果要更改列顺序，请使用df.reindex：

df = df.reindex(columns=['time', 'volume', 'complete', 'mid.h', 'mid.l', 'mid.c', 'mid.o'])
df

                   time  volume  complete    mid.h    mid.l    mid.c    mid.o
0  1488319200.000000000   14651      True  119.891  119.249  119.743  119.341
1  1488348000.000000000   10738      True  119.954  119.552  119.893  119.738
2  1488376800.000000000   10041      True  120.221  119.840  119.946  119.888

OP中的数据（最好使用json.load()从json字符串反序列化后）是嵌套字典的列表，这是pd.json_normalize()的理想数据结构，因为它转换了字典列表，并将每个字典扁平化为单行，所以列表的长度决定行数，字典中键值对的总数决定列数。
但是，如果某个键下的值是一个列表，那么这就不再是真的，因为这些列表中的项可能需要位于各自的行中。例如，如果my_data.json文件如下所示：

# my_data.json
[
    {'price': {'mid': ['119.743', '119.891', '119.341'], 'time': '123'}},
    {'price': {'mid': ['119.893', '119.954', '119.552'], 'time': '456'}},
    {'price': {'mid': ['119.946', '120.221', '119.840'], 'time': '789'}}
]

然后你会想把列表中的每个值作为它自己的行。在这种情况下，你可以把这些列表的路径作为record_path=参数传递。同样，你可以让每条记录都有它附带的元数据，你也可以把它的路径作为meta=参数传递。

# deserialize json into a python data structure
import json
with open('my_data.json', 'r') as f:
    data = json.load(f)

# normalize the python data structure
df = pd.json_normalize(data, record_path=['price', 'mid'], meta=[['price', 'time']], record_prefix='mid.')

最后，pd.json_normalize()无法处理比这种结构更复杂的东西。例如，如果元数据嵌套在另一个字典中，它就无法向上面的示例添加另一个元数据。根据数据的不同，您很可能需要一个递归函数来解析它（仅供参考，pd.json_normalize()也是一个递归函数，但它适用于一般情况，不能用于许多特定对象）。
通常，您需要explode()、pd.DataFrame(col.tolist())等的组合来完全解析数据。
Pandas也有一个方便的函数pd.read_json()，但它比pd.json_normalize()更受限，因为它只能正确解析一个嵌套级别的json数组，但与pd.json_normalize()不同的是，它在后台反序列化json字符串，这样您就可以直接将json文件的路径传递给它（不需要json.load()）。换句话说，以下两个函数产生相同的输出：

df1 = pd.read_json("my_data.json") 
df2 = pd.json_normalize(data, max_level=0)  # here, `data` is deserialized `my_data.json`
df1.equals(df2)  # True