用python实现以下内容：waterConsump.csv为用户的用水量数据，数据中有编号为1-200的200位用户，DATE表示时间，如2017/1/1表示2017年1月1日，NUM为用量单位。 根据2015-2016年用水量数据，预测编号1-200的用户，2017年每个月用水量，并对预测值进行评价。

好的，以下是一个使用ARIMA模型进行时间序列预测的Python代码示例：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima_model import ARIMA
from sklearn.metrics import mean_squared_error, mean_absolute_error

# 加载数据
data = pd.read_csv('waterConsump.csv', parse_dates=['DATE'], index_col='DATE')

# 划分训练集和测试集
train_data = data['2015':'2016']
test_data = data['2017']

# 创建ARIMA模型
model = ARIMA(train_data, order=(1, 1, 1))

# 训练模型
model_fit = model.fit(disp=0)

# 预测测试集
start_index = len(train_data)
end_index = len(train_data) + len(test_data) - 1
pred = model_fit.predict(start=start_index, end=end_index, typ='levels')

# 评价预测结果
rmse = np.sqrt(mean_squared_error(test_data, pred))
mae = mean_absolute_error(test_data, pred)
print('Test RMSE: %.2f' % rmse)
print('Test MAE: %.2f' % mae)

其中，`waterConsump.csv`是包含所有水表的用水量数据的CSV文件，第一列是时间序列，其他列是各个水表的用水量数据。代码首先加载数据，然后将数据划分为训练集和测试集。接下来，代码创建ARIMA模型，并使用训练集训练模型。最后，代码使用训练好的模型对测试集进行预测，并评价预测结果。

需要注意的是，在这个例子中，我们并没有针对每个水表单独进行预测，而是对所有水表的用水量数据进行了整体预测。如果需要对每个水表单独进行预测，可以将数据按照编号进行分组，并针对每个组使用ARIMA模型进行预测。