写一段python代码，读取一个csv文件，该文件的第一列为时间编号,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

以下是实现上述要求的Python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', index_col=0)

# 将数据集划分为训练集和测试集
train_size = int(len(data)*0.7)
train_data, test_data = data.iloc[:train_size, :], data.iloc[train_size:, :]

# 训练ARIMA模型并预测测试集
model = ARIMA(train_data['value'], order=(2, 1, 2))
model_fit = model.fit()
test_pred = model_fit.forecast(steps=len(test_data))[0]

# 计算RMSE
rmse = np.sqrt(mean_squared_error(test_data['value'], test_pred))
print('RMSE:', rmse)

# 绘制训练集和测试集的真实值和预测值图像
plt.figure(figsize=(10, 5))

# 训练集
plt.subplot(1, 2, 1)
plt.plot(train_data.index, train_data['value'], '-o', label='True')
plt.plot(train_data.index, model_fit.fittedvalues, '-o', label='Predicted')
plt.legend()
plt.title('Training Set')

# 测试集
plt.subplot(1, 2, 2)
plt.plot(test_data.index, test_data['value'], '-o', label='True')
plt.plot(test_data.index, test_pred, '-o', label='Predicted')
plt.legend()
plt.title('Testing Set')

plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.show()

在这个代码中，我们首先读取了名为“data.csv”的csv文件，并将其划分为训练集和测试集。我们使用statsmodels库中的ARIMA模型来训练时间序列模型，并使用该模型对测试集进行预测。最后，我们计算了RMSE作为评价指标，并使用matplotlib库绘制了训练集和测试集的真实值和预测值图像。