导入线性回归模型LinearRegression。 2使用LinearRegression建立基于工龄与平均工资数据集的线性回归模型。 3训练线性回归模型。

在Python中，可以使用`scikit-learn`库来导入和使用线性回归模型`LinearRegression`。以下是使用`LinearRegression`建立基于工龄与平均工资数据集的线性回归模型并进行训练的步骤：

1. 首先，需要安装并导入`scikit-learn`库中的`LinearRegression`类，以及用于模型训练的`train_test_split`函数和其他可能需要的数据处理工具。

2. 准备数据集，通常这个数据集会包含两列数据：一列为工龄，另一列为平均工资。

3. 接着，将数据集分成训练集和测试集。虽然这里只提到了训练模型，但是在实际操作中，划分数据集是为了评估模型的泛化能力。

4. 创建`LinearRegression`对象，并使用训练集数据来拟合（fit）模型。

5. 训练完成后，可以使用训练好的模型来预测新的数据，或者评估模型的性能。

下面是一个简化的代码示例来演示上述步骤：

# 导入必要的库
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 假设有一个数据集data，其中包含了工龄和平均工资的信息
# data = ... # 这里data是一个二维数组，第一列是工龄，第二列是平均工资

# 将数据集分为工龄和工资两部分
X = data[:, 0].reshape(-1, 1)  # 特征（工龄）
y = data[:, 1]  # 目标变量（平均工资）

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型对象
linear_model = LinearRegression()

# 训练模型
linear_model.fit(X_train, y_train)

# 训练完成后，模型已经建立并且可以使用
# 如果想要预测新的数据，可以使用linear_model.predict(new_data)来进行