请举一个例子，包括代码

好的，让我们以Python的`sklearn`库为例，来构建一个简单的线性GWR模型。首先，你需要安装`scikit-gstat`库，它是基于`sklearn`的一个地理统计模块，支持GWR功能。

# 导入所需库
from skgstat import WLSRobust
from sklearn.linear_model import LinearRegression
import pandas as pd

# 假设我们有如下数据，包含位置（lon, lat）和两个变量x1, x2
data = pd.read_csv('your_data.csv')  # 替换为你的数据文件路径
x_vars = ['x1', 'x2']  # 自变量列名
y_var = 'target'  # 因变量列名
locations = data[['lon', 'lat']]  # 地理位置

# 创建加权矩阵
wls = WLSRobust()  # 创建WLSRobust实例，这里默认使用高斯权重
weights = wls.distance(locations)  # 根据经纬度计算权重

# 对每个位置运行GWR模型
gwr_models = {}
for location in locations.itertuples():
    local_data = data[(data['lon'] == location[1]) & (data['lat'] == location[2])]
    X = local_data[x_vars]
    y = local_data[y_var]
    
    model = LinearRegression()
    gwr_model = model.fit(X, y, sample_weight=weights[location.Index])
    gwr_models[location.Index] = gwr_model

# 现在，你可以访问每个位置的独特系数

在这个例子中，我们首先导入所需的库，然后读取数据并定义自变量和因变量。接着，我们使用`WLSRobust`类计算加权矩阵，对于每一个地理位置，我们从原始数据集中提取出相应的位置的数据，然后训练一个线性回归模型，同时指定权重。

注意，这只是一个基本示例，实际应用中你可能需要更复杂的预处理，比如处理缺失值，选择最优的权重函数等。而且，`scikit-gstat`库提供的是高级接口，如果你想要更深入地理解GWR的工作原理和技术细节，可能需要查看其官方文档。