python编写计算1979-2018年共40年1月某遥相关型指数的程序；编写计算该遥相关型指数与大气环流场500hPa高度场的同期相关系数的程序；编写计算该遥相关型指数与我国气温的同期相关系数的程序；编写绘图程序。

由于缺乏具体的数据和指标定义，无法提供完整的代码。以下是一些思路和可能需要用到的库：

1. 计算遥相关型指数：可以使用pandas库读取时间序列数据，然后计算相关系数或滑动窗口平均等方法来得到指数。

2. 计算同期相关系数：可以使用numpy库计算相关系数，需要注意时间序列数据的对齐和缺失值的处理。

3. 绘图：可以使用matplotlib库绘制线图或散点图等，可以设置标题、坐标轴标签、图例等。

例如，计算遥相关型指数的代码片段：

import pandas as pd

# 读取数据
data = pd.read_csv('data.csv', index_col=0, parse_dates=True)

# 计算相关系数
corr = data['A'].corr(data['B'])

# 计算滑动窗口平均
window_size = 12  # 12个月
rolling_mean = data['A'].rolling(window_size).mean()

# 输出结果
print('相关系数：', corr)
print('滑动窗口平均：', rolling_mean)

计算同期相关系数的代码片段：

import numpy as np

# 读取数据
data1 = pd.read_csv('data1.csv', index_col=0, parse_dates=True)
data2 = pd.read_csv('data2.csv', index_col=0, parse_dates=True)

# 合并为一个DataFrame
data = pd.concat([data1, data2], axis=1)

# 处理缺失值
data = data.dropna()

# 计算相关系数
corr = np.corrcoef(data['A'], data['B'])[0, 1]

# 输出结果
print('同期相关系数：', corr)

绘图的代码片段：

import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('data.csv', index_col=0, parse_dates=True)

# 绘制线图
plt.plot(data['A'], label='A')
plt.plot(data['B'], label='B')

# 设置标题、坐标轴标签、图例等
plt.title('遥相关型指数')
plt.xlabel('时间')
plt.ylabel('指数')
plt.legend()

# 显示图像
plt.show()