写一段python代码，读取Excel 表格数据，建立决策树模型并且筛选出第9、10、11、12列的数据作为特征，第24、25、26、27、28、29列的数据作为标签，然后利用决策树算法进行训练和预测，并输出模型的准确率。

以下是基于scikit-learn库实现的代码：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# 读取Excel表格数据
data = pd.read_excel('data.xlsx')

# 筛选特征和标签
features = data.iloc[:, 8:12].values
labels = data.iloc[:, 23:29].values

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=0)

# 建立决策树模型
clf = DecisionTreeClassifier(criterion='entropy', random_state=0)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集结果
y_pred = clf.predict(X_test)

# 输出模型准确率
accuracy = clf.score(X_test, y_test)
print('模型准确率为：', accuracy)

其中，`data.xlsx`是Excel表格的文件名，需要将其与代码文件放在同一目录下。`iloc[:, 8:12]`表示选取第9-12列数据，`iloc[:, 23:29]`表示选取第24-29列数据。`train_test_split`函数用于将数据集划分为训练集和测试集，其中`test_size=0.2`表示测试集占总数据集的20%。`DecisionTreeClassifier`函数用于建立决策树模型，其中`criterion='entropy'`表示使用信息熵作为划分标准，`random_state=0`表示设置随机种子，保证每次运行结果相同。`fit`函数用于训练模型，`predict`函数用于预测测试集结果，`score`函数用于计算模型的准确率。