根据上述数据建立，arima-rnn模型，不用tensorflow与，帮我写出python代码

在Python中构建ARIMA-RNN（自回归积分滑动平均循环神经网络）模型，通常会利用像`pandas`处理时间序列数据，`statsmodels`进行ARIMA模型的部分，然后结合`Keras`或`PyTorch`来做RNN部分。由于你提到不使用TensorFlow，我们可以选择`PyTorch`作为深度学习框架。下面是一个简单的示例，使用`statsmodels`, `numpy`, 和 `torch`库：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima_model import ARIMA
from torch import nn

# 假设data是你的时间序列数据，已经处理成pandas DataFrame，且最后一列是目标变量
data = ...

# 数据预处理
train_size = int(len(data) * 0.8)
train_data, test_data = data[:train_size], data[train_size:]

# 对数据进行差异化（如果需要）
def difference(dataset, order=1):
    diff = list()
    for i in range(order, 0, -1):
        diff.append([dataset[i] - dataset[i - 1]])
    return np.array(diff)

# ARIMA部分
model_arima = ARIMA(train_data['target'], order=(5,1,0))  # 选择合适的ARIMA参数
model_arima_fit = model_arima.fit(disp=-1)  # 训练模型

# RNN部分
class RNN(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(RNN, self).__init__()
        self.hidden_dim = hidden_dim
        self.rnn = nn.RNN(input_dim, hidden_dim, batch_first=True)
        self.fc = nn.Linear(hidden_dim, output_dim)

    def forward(self, x):
        h0 = torch.zeros(1, len(x), self.hidden_dim).to(device)  # 隐藏状态初始化
        out, _ = self.rnn(x, h0)  # RNN层输出
        out = self.fc(out[:, -1, :])  # 取最后一个时间步的隐藏状态
        return out

# 使用数据转换为张量并设置设备（这里假设你有GPU）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
input_dim = train_data.shape[1] - 1  # 假定输入特征包括ARIMA残差和其他特征
hidden_dim = 64  # RNN隐藏单元数
output_dim = 1  # 目标变量的维度

rnn_model = RNN(input_dim, hidden_dim, output_dim)
rnn_model.to(device)

# 现在你可以定义优化器、损失函数以及训练过程
optimizer = torch.optim.Adam(rnn_model.parameters())
criterion = nn.MSELoss()

# 训练RNN
for epoch in range(num_epochs):  # 设置合适的迭代次数
    # ... (在这里编写你的训练步骤，如分批处理数据、前向传播、反向传播等)