写一段python代码，读取一个csv文件，该文件没有表头，共两列数据，第一列为时间编号,编号以1,2,3……这样自然数的形式出现，第二列为充电量数值,将该数据集的前70%划分为训练集，其余部分设置为测试集，利用arima模型预测该时间序列，并打印rmse作为评价指标，并分别绘制训练集的真实值和预测值图片以及测试集的真实值和预测值图片，两张图片的横坐标单位为time/h，纵坐标单位为kwh

以下是读取csv文件并进行ARIMA模型预测的代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from sklearn.metrics import mean_squared_error

# 读取csv文件
data = pd.read_csv("data.csv", header=None)

# 划分训练集和测试集
train_size = int(len(data) * 0.7)
train_data, test_data = data[:train_size], data[train_size:]

# 将时间编号设置为索引
train_data.set_index(0, inplace=True)
test_data.set_index(0, inplace=True)

# 转换为时间序列
train_ts = train_data[1]
test_ts = test_data[1]

# 训练ARIMA模型
model = ARIMA(train_ts, order=(1, 1, 1))
model_fit = model.fit()

# 预测测试集数据
predictions = model_fit.forecast(steps=len(test_ts))[0]

# 计算rmse
rmse = np.sqrt(mean_squared_error(test_ts, predictions))
print('Test RMSE: %.3f' % rmse)

# 绘制图像
plt.figure(figsize=(10, 6))
plt.plot(train_ts, label='Train')
plt.plot(test_ts, label='Test')
plt.plot(test_ts.index, predictions, label='Predictions')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.title('ARIMA Model Predictions')
plt.legend()
plt.show()

需要注意的是，由于CSV文件没有表头，需要将时间编号列设置为索引。另外，ARIMA模型需要对时间序列进行差分，这里使用了ARIMA(1, 1, 1)模型，即一阶差分后再拟合ARMA(1, 1)模型。最后，使用sklearn库中的mean_squared_error函数计算rmse，并绘制训练集和测试集的真实值和预测值图像。