今天需要做要给GWR回归，使用了R语言中的spgwr包。做的工作主要有；
1）安装R语言直接去R官网就好。
2）安装spgwr包 > install.packages("spgwr")发现报错
Warning in install.packages : 'lib = "C:/Program Files/R/R-4.0.3/library"' is not writableWarning in install.packages : cannot create dir 'D:onedrivePKUOneDrive - pku.edu.cn??', reason 'Invalid argument'Error in install.packages : unable to create ‘D:/onedrivePKU/OneDrive - pku.edu.cn/??/R/win-library/4.0’或许是文件名的原因，为了省事，直接重新指向了一个新的置放R包的文件夹：
> .libPaths("E:/Rpackages")问题得到解决，可以通过一下代码查看目前的R包：
> library()以及查看当前R包所有的几个文件夹（系统默认的，和我刚刚指定的"E:/Rpackages"）：
> .libPaths()因为spgwr需要其他的环境，因此安装另外一个包，然后再install spgwr
> install.packages('spDataLarge')> install.packages("spgwr") 3）数据的载入与探索首先，载入spgwr包
> library("spgwr")其次，读取CSV文件（含XY坐标，以及需要进行GWR回归的自变量和因变量），给大家看一下我的数据样式吧，一个需要注意的地方就是数据一定都是数值，不能有字符串（反正我遇到了这样的报错，不知道是否有解决办法，但是最省事的方式：删掉字符串的那一列）
加载数据的代码如下：
> acc<-read.table(file="D:/GWRR/Poi_Acc_Result.csv",header=TRUE,sep=',')在这里，我将该数据命名为acc。
可以进行简单的可视化，按照XY坐标映射一下（注意指定XY坐标的格式），对数据有个大体的认识：
> map=SpatialPointsDataFrame(data=acc, coords=cbind(acc$X,acc$Y))> spplot(map)当然，也可以在spplot中自定义一些颜色参数。我这里就直接用了默认值。
在GWR之前，需要对数据进行检验，比如相关性等，今天只做了一个简单的尝试：
> plot(WindMill_Acc~School_Acc,data=map) # 绘制了两个变量之间的散点图> model1=lm(WindMill_Acc~School_Acc,data=map) # 构建线性回归方程> abline(model1,col='red') # 画出回归线> summary(model1) # 看一下回归后的数据比如，我的结果是这样的：
Call:lm(formula = WindMill_Acc ~ School_Acc, data = map)Residuals: Min 1Q Median 3Q Max -1483638 -317718 117220 382794 1105836 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1.413e+06 4.407e+04 32.06 <2e-16 ***School_Acc 3.679e-01 1.979e-02 18.59 <2e-16 ***---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 503600 on 542 degrees of freedomMultiple R-squared: 0.3893,Adjusted R-squared: 0.3882 F-statistic: 345.5 on 1 and 542 DF, p-value: < 2.2e-16然后对残差的空间分布可视化：
> resids=residuals(model1)> subplot(map.resids)> map.resids=SpatialPointsDataFrame(data=data.frame(resids),coords=cbind(acc$X,acc$Y))> spplot(map.resids)> View(map) 4）进行GWR回归接下来的任务就很简单了，就俩：计算带宽，然后GWR回归
> bw=gwr.sel(WindMill_acc~Police_acc,data=map,adapt=T)> gwe.model=gwr(WindMill_Acc~Police_Acc,data=map,adapt=bw,hatmatrix=TRUE,se.fit=TRUE)然后看一下回归结果：
> gwe.model我的结果如下:
Call:gwr(formula = WindMill_Acc ~ Police_Acc, data = map, adapt = bw)Kernel function: gwr.Gauss Adaptive quantile: 0.007102629 (about 3 of 544 data points)Summary of GWR coefficient estimates at data points: Min. 1st Qu. Median 3rd Qu. Max. GlobalX.Intercept. -1.2469e+06 -1.2662e+04 2.7146e+05 7.0544e+05 2.6298e+06 1.4123e+06Police_Acc -8.7869e-01 7.7288e-01 1.0090e+00 1.3356e+00 1.9961e+00 3.6920e-01 5)结果的导出 > results <-as.data.frame(gwe.model$SDF)> write.csv(x=results,file="D:/GWRR/data.csv")