网络上有好多的教程，讲得不太清楚和明白，我用实际的例子说明了一下内容，附档代码，方便理解和使用 

DataFrame.to_json(path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression='infer', index=True, indent=None) [source]

将对象转换为JSON字符串。

注意：NaN和None将被转换为null, datetime对象将被转换为UNIX时间戳。

参数：

path_or_buf ：str 或 file handle, 默认为 None 文件路径或对象。如果未指定，则结果以字符串形式返回。 orient ：str 预期的JSON字符串格式的指示。 1) Series: 默认值为‘index’ 允许的值为：{'split'，'records'，'index'，'table'}。 2) DataFrame: 默认为‘columns’ 允许的值为： {'split'，'records'，'index'，'columns'，'values'，'table'}。 3) JSON字符串格式: 'split'：类似{'index'-> [index]， 'columns'-> [columns]，'data'-> [values]}的字典 'records'：类似于[{column-> value}，…，{column-> value}]的列表 'index'：类似{index->​​ {column-> value}}的字典 'columns'：类似{column-> {index->​​ value}}的字典 'values’：只是值数组 'table'：类似{'schema'：{schema}，'data'：{data}}的字典 描述数据，其中数据成分类似于orient='records'。 在版本0.20.0中更改。 date_format ：{None, ‘epoch’, ‘iso’} 日期转换的类型。'epoch'= epoch milliseconds， 'iso'= ISO8601。默认值取决于orient。 对于 orient='table'，默认值为'iso'。 对于所有其他东方，默认值为‘epoch’.。 double_precision ：int, 默认为10 在对浮点值进行编码时要使用的小数位数。 force_ascii ：bool, 默认为True 强制将字符串编码为ASCII。 date_unit ：str，默认为“ms”（毫秒） 要编码的时间单位，控制时间戳和ISO8601精度。 “s”，“ms”，“us”，“ns”之一分别表示秒，毫秒，微秒和纳秒。 default_handler ：callable, 默认为None 如果对象不能转换为适合JSON的格式，则调用。 应该接收一个参数，该参数是要转换的对象并返回一个可序列化对象。 lines ：bool, 默认为 False 如果'orient'是'records'，则写出行分隔的json格式。 如果不正确的‘orient’将抛出ValueError，因为其他人没有列出。 compression ：{‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None} 表示要在输出文件中使用的压缩的字符串， 仅在第一个参数是文件名时使用。默认情况下， 压缩是从文件名推断出来的。 在0.24.0版本中更改:增加了“infer”选项并将其设置为默认 index ：bool, 默认为 True 是否在JSON字符串中包括索引值。 仅当Orient是“split”或“table”时， 才支持不包括index(index=False)。 0.23.0版中的新功能。 indent ：int, 可选 用于缩进每条记录的空白长度。 1.0.0版的新功能。。

返回值：

None 或 str 如果path_or_buf为None， 则将生成的json格式作为字符串返回。 否则返回None。

Notes

indent=0的行为与stdlib不同，stdlib不会缩进输出，但会插入新行。目前，在panda中，indent=0和默认的indent=None是等价的，不过在将来的版本中可能会更改。

df = pd.DataFrame( [["A0001", "张三"], ["A0002", "李四"]], index=["row 1", "row 2"],columns=["工号", "姓名"] )
print('-------------------------------------------')
print(df)
print('index')
print(df.to_json(orient='index',force_ascii=False))
print('columns')
print(df.to_json(orient='columns',force_ascii=False))
print('split')
print(df.to_json(orient='split',force_ascii=False))
print('records')
print(df.to_json(orient='records',force_ascii=False))
mydate={"parts":df.to_json(orient='records',force_ascii=False)}
print(mydate)
print('table')
print(df.to_json(orient='table',force_ascii=False))
print('values')
print(df.to_json(orient='values',force_ascii=False))
print('-------------------------------------------')
#遍历
for index, row in df.iterrows():
    print(index)
    print(row)

输出内容，理解转化在json的内容的逻辑

-------------------------------------------
          工号  姓名
row 1  A0001  张三
row 2  A0002  李四
index
{"row 1":{"工号":"A0001","姓名":"张三"},"row 2":{"工号":"A0002","姓名":"李四"}}
columns
{"工号":{"row 1":"A0001","row 2":"A0002"},"姓名":{"row 1":"张三","row 2":"李四"}}
split
{"columns":["工号","姓名"],"index":["row 1","row 2"],"data":[["A0001","张三"],["A0002","李四"]]}
records
[{"工号":"A0001","姓名":"张三"},{"工号":"A0002","姓名":"李四"}]
{'parts': '[{"工号":"A0001","姓名":"张三"},{"工号":"A0002","姓名":"李四"}]'}
table
{"schema":{"fields":[{"name":"index","type":"string"},{"name":"工号","type":"string"},{"name":"姓名","type":"string"}],"primaryKey":["index"],"pandas_version":"1.4.0"},"data":[{"index":"row 1","工号":"A0001","姓名":"张三"},{"index":"row 2","工号":"A0002","姓名":"李四"}]}
values
[["A0001","张三"],["A0002","李四"]]
-------------------------------------------
row 1
工号    A0001
姓名       张三
Name: row 1, dtype: object
row 2
工号    A0002
姓名       李四
Name: row 2, dtype: object