从0.17.0版本开始，sort方法被弃用，取而代之的是sort_values。sort在0.20.0版本中被完全删除。参数（和结果）保持不变：

df.sort_values(['a', 'b'], ascending=[True, False])

可以使用sort的升序参数：

df.sort(['a', 'b'], ascending=[True, False])

例如：

In [11]: df1 = pd.DataFrame(np.random.randint(1, 5, (10,2)), columns=['a','b'])

In [12]: df1.sort(['a', 'b'], ascending=[True, False])
Out[12]:
   a  b
2  1  4
7  1  3
1  1  2
3  1  2
4  3  2
6  4  4
0  4  3
9  4  3
5  4  1
8  4  1

@renadeen评论
默认情况下排序不到位!所以你应该把sort方法的结果赋给一个变量，或者在方法调用中添加inplace = True。
也就是说，如果要将df1作为排序的DataFrame重用：

df1 = df1.sort(['a', 'b'], ascending=[True, False])

或

df1.sort(['a', 'b'], ascending=[True, False], inplace=True)

自pandas 0.17.0起，DataFrame.sort()已弃用，并将在pandas的未来版本中删除。按值对 Dataframe 进行排序的方法现在是DataFrame.sort_values
因此，你的问题现在的答案是

df.sort_values(['b', 'c'], ascending=[True, False], inplace=True)

对于数字数据的大型 Dataframe ，您可能会看到numpy.lexsort的显着性能提升，它使用一系列键执行间接排序：

import pandas as pd
import numpy as np

np.random.seed(0)

df1 = pd.DataFrame(np.random.randint(1, 5, (10,2)), columns=['a','b'])
df1 = pd.concat([df1]*100000)

def pdsort(df1):
    return df1.sort_values(['a', 'b'], ascending=[True, False])

def lex(df1):
    arr = df1.values
    return pd.DataFrame(arr[np.lexsort((-arr[:, 1], arr[:, 0]))])

assert (pdsort(df1).values == lex(df1).values).all()

%timeit pdsort(df1)  # 193 ms per loop
%timeit lex(df1)     # 143 ms per loop

一个特点是numpy.lexsort定义的排序顺序是相反的：(-'b', 'a')首先按系列a排序。我们对序列b取反，以反映我们希望该序列按降序排列。
请注意，np.lexsort只对数值进行排序，而pd.DataFrame.sort_values既可以对字符串也可以对数值进行排序。将np.lexsort与字符串一起使用将给予：TypeError: bad operand type for unary -: 'str'。

对于需要多列DataFrame的用户，请使用tuple with elements corresponding to each level。
每个级别对应的元素的元组：

d = {}
d['first_level'] = pd.DataFrame(columns=['idx', 'a', 'b', 'c'],
                                         data=[[10, 0.89, 0.98, 0.31],
                                               [20, 0.34, 0.78, 0.34]]).set_index('idx')
d['second_level'] = pd.DataFrame(columns=['idx', 'a', 'b', 'c'],
                                          data=[[10, 0.29, 0.63, 0.99],
                                                [20, 0.23, 0.26, 0.98]]).set_index('idx')

df = pd.concat(d, axis=1)
df.sort_values(('second_level', 'b'))