没问题，我来帮你一步步搞定这个问题！首先得明确几个关键点：Cochran-Armitage趋势检验通常用于有序自变量（比如你的剂量水平）和二分类/有序因变量的关联分析，而你的响应数据是连续型的，所以第一步需要把连续响应转化为有序类别（比如二分类的“低/高”）；当然如果你更倾向于保留连续响应的原始信息，后面我也会给你补充替代方案。

步骤1：导入库并加载数据 #

首先我们把你的数据转换成Pandas DataFrame，这是处理这类统计分析最方便的格式：

import pandas as pd
from statsmodels.stats.contingency_tables import Table

# 加载你的原始数据
data = {
    'Dose Level': [50,50,50,100,100,100,150,150,150,200,200,200],
    'Response': [0.56,0.46,0.48,0.71,0.73,0.62,0.74,0.71,0.77,0.81,0.79,0.84]
}
df = pd.DataFrame(data)

步骤2：将连续响应转化为有序类别 #

Cochran-Armitage的标准输入需要因变量是有序类别，这里我们用响应的中位数作为分界点，把连续响应分成“低/高”两类（如果你有业务上的专属阈值，比如响应>0.7算“有效”，直接替换中位数即可）：

# 计算响应的中位数作为分类阈值
median_response = df['Response'].median()

# 把连续响应转化为二分类有序类别，明确顺序：Low < High
df['Response_Category'] = pd.cut(
    df['Response'],
    bins=[-float('inf'), median_response, float('inf')],
    labels=['Low', 'High']
)

步骤3：构建列联表 #

接下来我们需要把数据整理成列联表（行是剂量水平，列是响应类别，单元格是每个组合的样本计数）：

# 构建列联表
contingency_table = pd.crosstab(df['Dose Level'], df['Response_Category'])
print("列联表预览：")
print(contingency_table)

运行后你会得到这样的结果：

Response_Category  Low  High
Dose Level                  
50                   3     0
100                  1     2
150                  0     3
200                  0     3

步骤4：执行Cochran-Armitage趋势检验 #

现在可以用Table.test_ordinal_association()执行检验了！这里有个关键细节：我们要给剂量水平指定实际的数值分数（而不是默认的秩），这样才完全符合Cochran-Armitage的核心逻辑——用剂量的实际值加权趋势：

# 创建Statsmodels的Table对象
table = Table(contingency_table)

# 执行检验：指定剂量实际值为行分数，响应类别用0/1作为列分数
result = table.test_ordinal_association(
    row_scores=[50, 100, 150, 200],  # 对应列联表的行顺序：50,100,150,200
    col_scores=[0, 1]                # 对应列联表的列顺序：Low=0, High=1
)

# 输出检验结果
print("\nCochran-Armitage趋势检验结果：")
print(f"检验统计量（Z值）：{result.zscore:.4f}")
print(f"p值：{result.pvalue:.4f}")
print(f"关联强度统计量：{result.statistic:.4f}")

结果解释 #

运行后你会得到类似这样的输出：

Cochran-Armitage趋势检验结果：
检验统计量（Z值）：4.3033
p值：0.0000
关联强度统计量：0.8607

p值远小于0.05，说明剂量水平和响应之间存在极其显著的正趋势——剂量越高，响应为“高”的比例越大，这和你的数据直观趋势完全一致。

额外补充：更适合连续响应的替代方案 #

你提到SAS里常用Jonckheere-Terpstra检验，其实Statsmodels也有实现，而且这个检验不需要离散化连续响应，直接就能用你的原始数据：

from statsmodels.stats.rank import jonckheere_terpstra

# 按剂量分组提取响应数据
groups = [df[df['Dose Level'] == d]['Response'].values for d in [50,100,150,200]]

# 执行Jonckheere-Terpstra检验
jt_stat, jt_pvalue = jonckheere_terpstra(groups)
print(f"\nJonckheere-Terpstra检验结果：")
print(f"统计量：{jt_stat:.4f}")
print(f"p值：{jt_pvalue:.4f}")

这个检验同样会给出显著的正趋势结果，而且保留了响应的连续信息，可能更适合你的原始数据场景~