下面是一个使用Python中statsmodels库来计算ARIMA模型自相关函数（ACF）和偏自相关函数（PACF）的示例代码：

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import acf, pacf
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt

# 创建一个示例时间序列数据
np.random.seed(0)
data = np.cumsum(np.random.randn(1000))
index = pd.date_range(start='2000-01-01', periods=1000, freq='D')
series = pd.Series(data, index=index)

# 计算自相关函数和偏自相关函数
acf_values = acf(series, nlags=20)
pacf_values = pacf(series, nlags=20)

# 绘制自相关函数图像
plot_acf(series, lags=20)
plt.show()

# 绘制偏自相关函数图像
plot_pacf(series, lags=20)
plt.show()

# 打印自相关函数和偏自相关函数的值
print("ACF: ", acf_values)
print("PACF: ", pacf_values)

在这个示例中，我们首先创建了一个随机生成的时间序列数据，并使用acf()和pacf()函数计算自相关函数和偏自相关函数的值。然后，使用plot_acf()和plot_pacf()函数绘制了自相关函数和偏自相关函数的图像。最后，使用print()函数打印了自相关函数和偏自相关函数的值。

需要注意的是，这个示例中的时间序列数据是随机生成的，实际应用中需要根据具体的数据来计算自相关函数和偏自相关函数。