这样的场景，该选择哪种数据库？

针对您描述的场景，数据量虽然不是特别巨大，但涉及到高频次的读写操作、统计分析以及排序等功能，选择合适的数据库对于性能和可扩展性至关重要。以下是几种数据库的简要分析，以帮助您做出决策：

1. MySQL：作为关系型数据库的代表，MySQL在处理结构化数据方面表现出色，支持事务处理、索引优化等，适合进行复杂的SQL查询，如分组统计、排序等。对于您的需求，MySQL可以很好地完成扫码量统计、时段内扫码量统计、用户累计扫码次数统计等任务。但是，对于高并发写入和实时数据分析，可能需要合理的表设计、索引优化以及读写分离等策略来提升性能。

2. PostgreSQL：与MySQL类似，PostgreSQL也是一个功能强大的关系型数据库，提供了更丰富的数据类型和更强大的分析功能，比如窗口函数、CTE（公共表达式）等，这些特性对复杂的数据分析非常有利。如果您的业务未来可能涉及更复杂的查询逻辑或需要地理空间数据处理（因为提到了地理位置信息），PostgreSQL可能是更好的选择。

3. MongoDB：作为一个非关系型数据库（NoSQL），MongoDB擅长处理大量非结构化或半结构化数据，提供高性能的读写操作，特别是对于高并发写入场景表现优秀。它支持灵活的数据模型，可以直接存储JSON格式的数据，非常适合快速迭代和数据模型变化的应用。对于扫码记录这类数据，MongoDB可以轻松应对，并且其聚合框架能方便地实现各种统计分析。但对于复杂的关联查询，可能不如关系型数据库高效。

综上所述，考虑到您需要进行大量的统计分析和排行计算，同时每天有百万级别的数据写入，建议采用以下方案：

• 主数据库：使用MySQL或PostgreSQL作为主要的数据存储，利用它们强大的SQL查询能力来进行复杂的统计分析。两者中，如果您的业务对地理空间数据处理有特定需求，可以选择PostgreSQL；否则，根据团队熟悉度和运维经验选择即可。

• 辅助数据库/缓存：对于实时性要求较高的查询（如实时扫码量统计），可以考虑结合Redis作为缓存层，减轻主数据库的压力，提高响应速度。

• 分析数据库：如果数据分析需求非常复杂且实时性要求高，可以考虑引入ClickHouse或Apache Hadoop/Hive等列式存储或大数据分析平台，专门用于数据分析和报表生成，但这通常是在数据量极大或分析需求极其复杂时的解决方案。

组合使用上述数据库，可以根据不同的业务需求和性能要求，达到最佳的系统设计。