你可以使用 groupby 和 pivot_table 方法来实现这个目标。具体步骤如下：

1. 使用 groupby 和 value_counts 来统计每个组的每个类别（Col2 中的不同值）。
2. 然后将结果转换为数据框，并对 NaN 值进行处理。

这里是实现代码：

import pandas as pd

# 创建示例数据框
data = {
    'Col1': [1, 1, 1, 2, 2, 3, 3],
    'Col2': ['A', 'B', 'B', 'A', 'A', 'A', None]
}
df = pd.DataFrame(data)

# 使用 groupby 和 value_counts 来统计每个 Col1 中每个 Col2 的出现次数
result = df.groupby('Col1')['Col2'].value_counts().unstack(fill_value=0)

# 显示结果
print(result)

解释：

• groupby('Col1')['Col2'].value_counts() 会根据 Col1 分组，并统计每个组中 Col2 的值出现的次数。
• unstack(fill_value=0) 会把 Col2 中的唯一值转换为列，并将缺失的计数填充为 0。

输出结果：

Col2  A  B
Col1      
1     1  2
2     2  0
3     1  0

这个方法对于具有多个不同 Col2 值的情况同样适用。如果 Col2 有其他值（例如 C, D 等），unstack() 会自动创建新的列并填充计数。