用jupyter来编写完整的代码要求是用excel中的数据来绘制模型为随机森林的部份依赖图

首先，您需要安装jupyter和相应的Python库。建议使用Anaconda来安装和管理jupyter和Python库。

然后，您需要准备Excel数据文件并将其导入Python中。您可以使用pandas库来读取Excel文件。

接下来，您需要构建一个随机森林模型，并使用sklearn库进行实现。您可以使用train_test_split函数将数据拆分为训练集和测试集，并使用RandomForestRegressor类来构建随机森林模型。

最后，您可以使用pdpbox库来生成部分依赖图。部分依赖图是一种可视化技术，用于显示模型中一个或多个特征与模型预测之间的关系。

下面是一个简单的示例代码：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from pdpbox import pdp, get_dataset, info_plots

# 读取Excel文件
data = pd.read_excel('data.xlsx')

# 拆分数据集
X = data.drop('target', axis=1)
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 构建随机森林模型
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

# 生成部分依赖图
feature_to_plot = 'feature_1'
pdp_dist = pdp.pdp_isolate(model=rf, dataset=X_test, model_features=X_test.columns, feature=feature_to_plot)
pdp.pdp_plot(pdp_dist, feature_to_plot)

在上面的代码中，您需要将"data.xlsx"替换为您的Excel数据文件的路径，"target"替换为目标变量的名称，"feature_1"替换为您要绘制部分依赖图的特征名称。