备注：此文是我在知乎上面的一篇回答 ，正好和这个系列相关，也引用了一些之前几篇文章讲到的内容。
一言以蔽之：这两者的区别取决于我们怎么定义数据科学。各位应该也都知道，实践中的数据科学是个融合怪：
- 从理论基础来说，包括了数学、统计、计算机科学、优化、机器学习等等
- 从业界实践来说，数据科学家核心需要建模，同时很可能需要写端到端的所有代码（从数据加载到清理到建模再到最后上线部署），因此也需要相当程度的写码能力（即计算机工程知识），有时候还要搞点可视化，技能包挺杂的。
所以我们怎么定义数据科学的边界在哪里呢？或者举个具体的例子：运筹优化算不算数据科学？我看到一部分人说数据科学就是统计学的一部分，那按照这个定义，运筹优化就不能算了，两者分明是不同的学科。但是，在业界实践中，至少在我所知道的多家咨询公司的数据科学业务里面，运筹优化至少占到30%。在目前的行业划分里面，要想解决“设计最优的流水线生产工序，使得成本最低效率最高”这类问题，只有数据科学家是对口的。
我们在把数据科学和统计学（或者任何一门已经比较明确定义的学科）对比的时候，首先要定义清楚数据科学这个融合怪是什么。在我个人看来，数据科学的定义是：
将现实问题转化为一个基于经验数据的数理模型，这个数理模型从一定程度上刻画了世界运作的规律。然后通过求解这个数理模型，我们得到的答案可以帮助我们在现实世界中做出决策
举一些我自己接触过的项目作为例子：
- 帮助服装百货公司如何打折进行定价：百货公司在给打折商品定价时，既需要考虑利润率（避免江南皮革厂这种直接血亏倒闭），也要考虑出货速度（按照预计时间清空库存才能及时上新货）。我们先用一个机器学习模型预测需求弹性（即：价格每变动一块钱，需求会对应变化多少），然后再通过一个优化模型（MIP）找到不同商品在不同时间点的最佳折扣力度。
- 帮助酒店集团做需求预测和定价：酒店的房间其实边际成本都一样，如何定价完全取决于需求而不是成本。因此，尽可能准确地预测房间需求量就有利于定价——如果知道一周后的那个周末会有很多人订房，开价就可以高一些，趁机赚一票。这里我们用机器学习模型（时间序列叠加XGBoost）基于历史数据和相关信息（比如是不是情人节要到了）对订房需求进行预测。
- 帮助制药公司优化供应网络：一家大型药企在欧洲的供应链非常臃肿，在同一个地区可能有好几个仓库和配送中心。通过网络优化模型（network flow model），我们给这家公司提供了如何将40多个节点简化为10多个节点的方案。
- 帮助金融投资公司判断长期趋势：投资界有个广受欢迎的理论是，一家公司的长期业绩表现应该符合均值回归，趋向于它同类公司的均值表现。基于这个理论，我们可以通过统计建模（采用基于条件概率的KDE），预测每家公司未来5-10年的业绩表现，帮助金融投资公司更好地规划长期投资组合。
以上这些都是建立基于经验数据的模型、找到理论解、转化为现实决策。用到的方法五花八门，但至少在业界应用里面，都被认为是数据科学。
如果你认同这个对数据科学的定义的话，那么我们似乎可以说，统计学是数据科学大框架下的方法论之一。总体都符合数据科学的“范式”（即paradigm，来自Thomas Kuhn的科学哲学理论），只不过统计学有自己独特的方法和逻辑，与机器学习、优化等并列于数据科学的框架之下。
但如果钻得更细些，我们也可以说：数据科学是一堆不同范式的融合。毕竟，深度学习和NLP有自己的通用套路：神经网络+SGD；而运筹优化也有自己的三板斧：目标函数+决策变量+限制条件。与其说是一整个统一的范式，数据科学应该更多是包含了一堆各自独立范式的混合学科。如果你从这个角度定义“范式”的话，那么数据科学就不是一个统一的大框架了。同时，统计学也未必就有一个统一的“范式”——频率学派、贝叶斯学派、乃至当下流行的算法建模流派（algorithmic modeling），都可以说是各自独立的范式。我们在业界比较经常应用的是贝叶斯学派和算法建模流派。所以从这个视角出发的话，我们也可以说：数据科学和统计学各自有不同的范式，两者之间有些范式是重叠的（比如贝叶斯模型）。
相信哪个结论，如开头所言，取决于我们如何定义数据科学——或者更深层次地说——如何定义一门学科的边界。