从有用的评论来看，以下解决方案符合我的要求：

pivot_df_2 = pd.pivot_table(df, values='B', index=['Date'], columns=['A'],aggfunc=min, dropna=False)
pivot_df_2

每个插槽的值应该是唯一的，所以用min函数替换sum函数应该不会有什么不同（在我的例子中）

如果没有重复条目，请使用set_index + unstack

df.set_index('A', append=True)['B'].unstack(-1)

A            Y1   Y2
Date
1988-01-01  NaN  NaN
1988-01-04  6.0  8.0

如果有重复项，请将groupby与min_count一起使用

>> df

             A    B
Date
1988-01-01  Y1  NaN
1988-01-01  Y2  NaN
1988-01-04  Y1  6.0
1988-01-04  Y2  8.0
1988-01-01  Y1  NaN
1988-01-01  Y2  NaN
1988-01-04  Y1  6.0
1988-01-04  Y2  8.0

df.set_index('A', append=True).groupby(level=[0, 1])['B'].sum(min_count=1).unstack(-1)

A             Y1    Y2
Date
1988-01-01   NaN   NaN
1988-01-04  12.0  16.0

在本例中，我将通过groupby进行解析：

(df.groupby(['Date', 'A']).B
   .apply(lambda x: np.nan if x.isna().all() else x.sum())
   .unstack('A')
)

输出：

A            Y1   Y2
Date                
1988-01-01  NaN  NaN
1988-01-04  6.0  8.0

如果需要，请将isna().all()更改为isna().any()。

可以对值进行计数，并在为0（或小于预期计数）时丢弃：

pivot_df = pd.pivot_table(df, values='B', index=['Date'], columns=['A'],
                          aggfunc=['sum','count'])

# build the mask from count
mask = (pivot_df.xs('count', axis=1) == 0)   # or ...<min_limit

#build the actual pivot_df from sum
pivot_df = pivot_df.xs('sum', axis=1)

# and reset to NaN when not enough values
pivot_df[mask] = np.nan

它给出了预期结果：

A            Y1   Y2
Date                
1988-01-01  NaN  NaN
1988-01-04  6.0  8.0

当你对一个以上的值求和时，这个方法会给予合理的结果。

我还想保留NaN值，还想继续使用pivot_table函数，所以我的解决方案如下：

pivot_df = pd.pivot_table(
    df,
    values='B',
    index=['Date'],
    columns=['A'],
    aggfunc=lambda x: x.sum(min_count=1)
)

The downside is that this is less efficient in terms of computation time.

尝试将'dropna= False'添加到pivot_table函数中？