我认为需要DataFrameGroupBy.agg与0和sum比较：
a）计算零值的个数：

df1 = df.groupby('Date').agg(lambda x: x.eq(0).sum())
print (df1)

            B  C
Date            
20.07.2018  0  1
21.07.2018  1  1

字符串
B）计数非零值的数量：

df2 = df.groupby('Date').agg(lambda x: x.ne(0).sum())
print (df2)
            B  C
Date            
20.07.2018  2  1
21.07.2018  1  1

型
提高性能的另一个想法是创建DatetimeIndex，比较列，并在每个级别上最后使用sum（DateTimeIndex）：

df1 = df.set_index('Date').eq(0).sum(level=0)
print (df1)
            B  C
Date            
20.07.2018  0  1
21.07.2018  1  1

df2 = df.set_index('Date').ne(0).sum(level=0)
print (df2)
            B  C
Date            
20.07.2018  2  1
21.07.2018  1  1

型

试试看：

df.groupby('Date').agg(lambda x: len(x) - x.astype(bool).sum(axis=0))

字符串
输出量：

Out[48]: 
            B  C
Date            
20.07.2018  0  1
21.07.2018  1  1

型

使用melt，则groupby

Newdf=df.melt('Date')
Newdf.value=Newdf.value.eq(0).astype(int)

Newdf.groupby(['Date','variable']).value.value_counts().unstack([1,2]).sort_index(level=0,axis=1)
Out[69]: 
variable      B         C     
value         0    1    0    1
Date                          
20.07.2018  NaN  2.0  1.0  1.0
21.07.2018  1.0  1.0  1.0  1.0

字符串