构建一组具有明显的周期性的数据，用python绘制出时序图，自相关函数图和偏自相关函数图，并说出如何从自相关函数图和偏自相关函数图判断出周期性的

可以使用Python中的numpy和matplotlib库来生成和绘制时序图、自相关函数图和偏自相关函数图。下面是一个简单的示例：

import numpy as np
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# 生成一个具有周期性的数据
x = np.arange(1, 101)
y = np.sin(x / 10) + np.random.normal(0, 0.1, 100)

# 绘制时序图
plt.plot(x, y)
plt.xlabel('Time')
plt.ylabel('Value')
plt.title('Time Series Plot')
plt.show()

# 绘制自相关函数图和偏自相关函数图
plot_acf(y, lags=20)
plt.title('Autocorrelation Function')
plt.show()

plot_pacf(y, lags=20)
plt.title('Partial Autocorrelation Function')
plt.show()

在上面的示例中，我们使用了numpy库生成了一个具有周期性的数据，然后使用matplotlib库绘制了时序图。我们还使用了statsmodels库中的plot_acf和plot_pacf函数分别绘制了自相关函数图和偏自相关函数图。

通过观察自相关函数图和偏自相关函数图，可以判断时序数据是否具有周期性。如果自相关函数图中存在明显的周期性，即在一定的滞后阶数上出现了显著的正相关或负相关，那么可以判断该数据具有周期性。同样地，如果偏自相关函数图中存在明显的周期性，即在一定的滞后阶数上出现了显著的非零偏自相关系数，也可以判断该数据具有周期性。