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库来构建和绘制时序图、自相关函数图和偏自相关函数图。以下是一个简单的示例代码：

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

# 构建具有周期性的数据
x = np.linspace(-np.pi, np.pi, 100)
y = np.sin(x)

# 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.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.title('Autocorrelation Function Plot')
plt.show()

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

从自相关函数图和偏自相关函数图判断周期性的方法如下：

1. 自相关函数图：如果存在周期性，则自相关函数图中会出现明显的周期性波动，即在某些滞后阶段（lags）处的自相关系数会显著高于其他阶段，这些高峰会呈现周期性的分布。

2. 偏自相关函数图：如果存在周期性，则偏自相关函数图中会出现明显的周期性波动，即在某些滞后阶段（lags）处的偏自相关系数会显著高于其他阶段，这些高峰也会呈现周期性的分布。不同的是，偏自相关函数图剔除了其他阶段的影响，更加准确地反映了该滞后阶段与当前值之间的相关性。

需要注意的是，自相关函数图和偏自相关函数图只是判断周期性的一种方法，还需要结合其他方法进行综合判断。