对以上要求给出代码

好的，以下是实现以上要求的代码示例：

# 导入库
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression

# 读取数据集
data = pd.read_csv('loan_data.csv')

# 绘制散点图
plt.scatter(data['age'], data['loan'], c=data['default'])
plt.xlabel('Age')
plt.ylabel('Loan')
plt.show()

# 数据预处理
data.dropna(inplace=True)  # 去除缺失值
X = data[['age', 'loan', 'income']]  # 特征
X = (X - X.mean()) / X.std()  # 归一化
y = data['default']  # 标签

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 建立逻辑回归模型
lr = LogisticRegression()
lr.fit(X_train, y_train)

# 输出估计系数和截距
print('Coefficients:', lr.coef_)
print('Intercept:', lr.intercept_)

# 绘制分类结果图
x1_min, x1_max = X['age'].min() - .5, X['age'].max() + .5
x2_min, x2_max = X['loan'].min() - .5, X['loan'].max() + .5
xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, .02), np.arange(x2_min, x2_max, .02))
Z = lr.predict(np.c_[xx1.ravel(), xx2.ravel(), np.zeros(xx1.ravel().shape)])
Z = Z.reshape(xx1.shape)
plt.contourf(xx1, xx2, Z, cmap=plt.cm.Paired)
plt.scatter(X_test['age'], X_test['loan'], c=y_test, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Age')
plt.ylabel('Loan')
plt.show()

# 对6号用户进行预测
x_new = pd.DataFrame({'age': [27], 'loan': [200000], 'income': [40000]})
x_new = (x_new - X.mean()) / X.std()  # 归一化
y_pred_new = lr.predict(x_new)
print('Prediction for new user:', y_pred_new)

# 绘制损失函数变化曲线
plt.plot(lr.loss_curve_)
plt.xlabel('Iterations')
plt.ylabel('Loss')
plt.show()

需要注意的是，以上代码中的数据集和数据处理方法仅供参考，具体应根据实际情况进行修改。