用python这一段代码，建立决策树模型，对excel表中的数据进行预测

首先，你需要安装以下库：

- pandas：处理数据
- sklearn：机器学习库，包含决策树模型

然后，你可以按照以下步骤完成决策树模型的建立和预测：

1. 导入库和数据

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

# 导入数据
data = pd.read_excel('data.xlsx', sheet_name='Sheet1')

2. 数据预处理

# 筛选出自变量和因变量
X = data.iloc[:, :-1]  # 自变量
y = data.iloc[:, -1]   # 因变量

# 将因变量转换为数字标签
label_map = {'好': 1, '坏': 0}
y = y.map(label_map)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

3. 建立模型

# 建立决策树模型
model = DecisionTreeClassifier(criterion='entropy', max_depth=None, random_state=0)
model.fit(X_train, y_train)

4. 预测结果

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

# 计算准确率
accuracy = (y_pred == y_test).sum() / len(y_test)
print('准确率：{:.2%}'.format(accuracy))

5. 使用模型预测新数据

# 加载新数据
new_data = pd.read_excel('new_data.xlsx', sheet_name='Sheet1')

# 预测结果
new_pred = model.predict(new_data)

# 将数字标签转换为原始标签
rev_label_map = {1: '好', 0: '坏'}
new_pred = pd.Series(new_pred).map(rev_label_map)

# 输出结果
print(new_pred)

注意，以上代码仅供参考，具体实现可能需要根据数据情况进行调整。