如果你问一个正在准备美本申请的高中生“你想学什么”，过去五年的答案大概率是CS（计算机科学）或商科。但最近两三年，有一个专业正在快速挤进前排：Data Science（数据科学） 。
它不像CS那样“纯写代码”，也不像统计学那样“偏理论”。企业需要的人才是：能从一堆看起来乱七八糟的数据里，把值钱的信息挖出来，并且讲清楚、用起来。数据科学本科，培养的就是这种人。
这篇文章会比较长，但每一段都是你选专业、做规划时真正用得上的信息。从“这个专业到底是什么”，到“新托福6分制下语言要考到多少”，再到“毕业第一年能拿多少薪资”，我们一次讲清楚。
一、先搞清楚：
数据科学，不是“CS的低配版”
很多家长和学生会下意识地把数据科学理解成“计算机科学下面分出来的一个方向”。这个理解偏差，会影响后面的选校和申请策略。
数据科学的核心，是统计学 + 计算机科学 + 数学三个板块的交叉。但它不是简单地把这三样拼在一起。它要解决的问题是：面对一份真实世界的数据（可能很大、很乱、不完整），你怎样清洗它、建模它、验证它，最后得出一个可以用来做决策的结论。
用一个不太严谨但很好懂的类比：
· CS更关心“计算机系统本身怎么运转”：算法、操作系统、编程语言、软件工程。
· Statistics（统计学） 更关心“推断的逻辑是否站得住”：概率、回归、实验设计、统计建模。
· Data Science关心的是“怎么把计算工具和统计思维合在一起，从数据里拿到答案”。
加州大学戴维斯分校在官方专业说明里写得很直接：数据科学把计算、数学和统计推理结合起来，用于“从数据中得出结论”，应用范围几乎覆盖任何学科。匹兹堡大学的表述类似：这个专业训练学生在数据、算法、数学、统计四个维度上建立核心素养，并且把理论连接到真实问题的解决上。
所以，数据科学本科的目标不是培养“只会跑模型的人”，而是培养能用数据做判断的人。这个定位，直接决定了它后面的课程结构、申请偏好和就业方向。
二、本科四年到底学什么
美国大学的数据科学本科，通常是B.S.（理学学士） ，少数学校设B.A.。学分要求一般在120左右，核心课程可以分成三条线，再加一条应用线。
1
第一条线：数学与统计基础
这是整个专业的地基，几乎绕不开。典型课程包括：
· 微积分序列（Calculus I–III）
· 线性代数
· 概率论与数理统计
· 统计推断 / 回归分析
以UC Davis的Data Science B.S.为例，预备课程中统计学占12个学分，数学占16个学分，合计28个学分在正式进入专业核心课之前就要完成。匹兹堡大学的样本课表里，第一年就会同时推进微积分、统计和计算机入门课程。
2
第二条线：计算机与编程
数据科学对编程的要求，比统计学高，但和CS的培养重点不同。你不需要学到操作系统内核那个层面，但数据处理、数据结构、算法基础、数据库必须扎实。
常见课程包括：Python/R编程、数据结构、算法导论、数据库系统、大数据处理基础。UC Davis在计算机科学/工程板块要求12个学分，明确列出“Data, Logic, & Computing”“Introduction to Programming”“Introduction to Data Structures”等课程。
3
第三条线：数据科学核心方法
这是把数学、统计和计算机“焊在一起”的部分。典型课程包括：
· 数据清洗与数据管理
· 机器学习（Machine Learning）
· 数据建模
· 数据可视化
· 数据伦理（部分学校单独设课）
匹兹堡大学还允许学生在Data Analytics（数据分析）、Modeling（建模）、Computer Systems（计算机系统） 三个方向中选择一个做深度选修，每个方向选3门课，形成自己的侧重。这种“核心+方向”的结构在美国本科数据科学项目中比较有代表性。
4
第四条线：应用与Capstone
很多项目要求学生在毕业前完成一个团队式Capstone项目，把前面学的方法用到一个真实数据集或真实客户问题上。匹兹堡的Capstone选项包括团队项目、数学应用项目、统计实践项目，或者经批准的研究项目。
如果你在选校时看到某个项目有强制性的、有外部合作方参与的Capstone，可以把它当作一个加分项——它意味着学生在大四之前就有机会把作品放进简历。
三、申请数据科学，高中应该准备什么
数据科学的申请逻辑，和CS、工程有相似之处，但有一个关键区别：它对数学和统计的先修信号要求更明确，对“纯编程竞赛”的依赖没有那么绝对。
课程准备：数学是硬信号
从录取数据来看，AP微积分BC和AP统计是数据科学申请中最常被提到的两门课。一篇针对2026 Fall录取者的分析提到，AP统计5分在录取者中占比达到78%，AP微积分BC建议5分、至少4分。UCB的申请解析也明确建议有AP微积分BC、AP统计、AP计算机科学A的背景。
一个比较稳妥的高中课程节奏是：
· 10年级：代数2 + Python入门
· 11年级：AP微积分BC + AP统计 + AP计算机科学A
· 12年级：高阶编程 / 数据科学选修课
如果学校不开AP统计，或者你起步较晚，在线上学分课中补修统计和微积分是被接受的路径，但需要在申请材料中体现成绩和课程 rigor。
标化考试：Test-Optional，但高分仍然有用
部分学校实行Test-Optional，但在STEM专业竞争激烈的情况下，SAT 1500+或ACT 33+ 仍然有明显的辅助作用。如果目标是Top 30的数据科学项目，标化不建议完全放弃。
语言考试：新托福6分制，到底要考到多少
这是需要单独说清楚的部分，因为2026年起托福计分方式变了。
规则本身：从2026年1月21日起，托福iBT启用1–6分制，以0.5分为增量。阅读、听力、口语、写作四科各按1–6分评分，总分是四科平均分，取整到最接近的0.5分档。比如四科平均5.25，总分5.5；平均5.125，总分5.0。
ETS官方给出的换算参考是：旧制100分对应新制5分，90分对应4.5分，80分对应4分。旧制114分以上对应6分，107分以上对应5.5分，95分以上对应5分。
对数据科学申请者的含义：目前多数美国大学本科数据科学项目对国际生的托福要求，折算到旧制大致在79–100分区间。对应到6分制，大致是4分到5分这个范围。4分是不少公立大学数据科学/理工类项目的常见底线，5分及以上在Top 50的竞争中会更从容。如果你的目标是UCB、UCLA、密歇根这类数据科学强校，语言成绩尽量向5分及以上靠拢。
需要提醒的是，各校在过渡期内可能同时参考新旧分数，具体门槛以学校官网为准。但6分制下，4分是“够用”的起点，5分是“有竞争力”的区间，这个判断对数据科学申请基本适用。
四、毕业之后：数据科学本科的就业现实
数据科学本科的就业方向，比很多人想象的要宽。它不只通向“Data Scientist”一个title。不同岗位的入门薪资和技能要求有明显差异，看清楚这一点，对选校和实习规划都有帮助。
根据U.S. BLS / O*NET的薪资中位数数据，几个相关岗位的年薪大致是：
· Data Analyst（数据分析师） ：约 $83,640
· Data Scientist（数据科学家） ：约 $108,020
· Data Engineer（数据工程师） ：约 $115,000
· Machine Learning Engineer（机器学习工程师） ：约 $130,000
如果把职级拉开，Simplilearn汇总的Indeed 2026年基本薪资数据显示：
· Junior Data Scientist：约 $85,488
· Data Scientist（中级） ：约 $130,251
· Principal Data Scientist：约 $181,150
招聘市场上实际贴出的本科入门岗位，薪资范围也印证了这个结构：有Data Product Analyst岗位给出140,000，Junior Data Scientist有124,000的区间，Entry Level Data Analyst则在103,700。
这意味着：数据科学本科毕业的第一份工作，不一定直接是“Data Scientist” 。更常见的入口是Data Analyst、Junior Data Scientist、Data Engineer（偏工程方向）或Analytics相关岗位。工作2–4年之后，向中级Data Scientist或ML Engineer迁移，薪资会有明显跃升。这不是“专业不行”，而是这个行业的职级结构决定的。本科教育的价值在于给你足够的方法基础和项目经验，让你在入口岗位上有竞争力，并且具备向上走的潜力。
另外一个不能忽略的因素是STEM-OPT。数据科学绝大多数项目属于STEM designated，国际学生毕业后可以使用最长36个月的OPT在美国工作，不需要立刻抽H-1B。对于希望留美积累经验的学生，这是一个实质性的优势。
五、选校：不要只看综合排名
2026年U.S. News本科数据科学排名中，UC Berkeley继续位列全美第一，这已经是它连续多年占据这个位置。但数据科学的选校逻辑和综合排名不完全重合，需要分层来看。
1
第一梯队：专业实力和资源密度最高
· UC Berkeley：本科Data Science专业2018年设立，目前已经是学校规模最大的本科专业之一，优势在于数据科学、CS、统计、数学、AI几乎形成完整技术链。
· Stanford：数学+统计+计算机+应用的培养特点突出，适合数学强、想进入AI/ML、量化金融或创业方向的学生。
· UChicago：理论和数学基础非常扎实，适合喜欢逻辑推理和建模、而不只是“用工具”的学生。
· Columbia / NYU：纽约的地理位置对金融、咨询、科技行业的实习和就业有直接加成，适合对Quant、FinTech、Business Analytics感兴趣的学生。
2
第二梯队：公立强校和技术导向
· Georgia Tech：技术特色鲜明，适合数学能力较强、目标科技行业、同时关注预算的学生。
· UCSD：依托Halıcıoğlu Data Science Institute，2026年还推出了Business Data Science方向，科技、生物、金融的交叉资源比较丰富。
· UIUC、Michigan、UNC、UVA：各有侧重。UNC强调“完整的数据科学能力结构”，包括优化、ML、AI和Responsible Data Science；UVA拥有独立的School of Data Science，对数据伦理和应用价值格外重视。
3
第三梯队：就业和实习资源有独特优势
· Northeastern：Co-op体系是它最大的差异化优势。数据科学学生可以通过带薪实习获得系统的行业经验，对“毕业即就业”的目标非常友好。
· University of Washington–Seattle：西雅图的科技产业生态（Microsoft、Amazon等）对实习和全职招聘有直接辐射。
· Rutgers：纽约—新泽西就业市场的性价比选择。
此外，还有一些项目虽然名称不是纯粹的“Data Science”，但数据科学培养非常扎实，不应该因为名字被忽略：Yale的Statistics & Data Science、UT Austin的Statistics and Data Science、UCSB的Statistics and Data Science。如果目标是“学到数据科学的核心内容”，这些项目值得放进选校清单。
六、转学/转专业进入数据科学，现实吗？
现实，但需要提前规划。数据科学在很多学校属于capped major（名额受限专业） 或高需求专业，内部转专业和外部转学都有明确门槛。
以普渡大学为例，转学进入Data Science要求最低GPA 3.5，并且完成两门计算机课程和两学期微积分（成绩B以上）。UC Irvine的Data Science转专业有60个units的课程要求，且不接受录取前的专业变更，必须先入学再满足条件后申请。弗吉尼亚大学则要求学生在第一年完成DS 1001和DS 1002两门先修课，才能获得申请BSDS的资格。
给正在读这篇文章的学生一个实用建议：如果你已经确定想走数据科学，优先在新生申请时直接申请这个专业或最接近的替代专业。内部转专业的窗口往往比想象中窄，先修课一旦排不上，GPA再高也可能卡在课程要求上。
七、一句话总结：数据科学适合什么样的学生
数据科学本科最适合这样的人：数学不差，愿意写代码，但不想把大学四年全部交给计算机系统本身；对“用数据回答一个真实问题”有持续的兴趣，而不是只对编程语言或统计公式本身感兴趣。
它不是一个“轻松”的专业。数学和编程两条线都要过关，核心课程的压力并不低。但它的回报也对应地实在：STEM-OPT、相对宽的就业口径、清晰的职级成长路径，以及一个正在被企业持续需要的能力结构。
如果你正在考虑2027 Fall或更晚的申请，现在可以做的事情很具体：把微积分BC和统计的成绩稳住，把托福向5分（6分制） 推进，同时在高中阶段积累至少一个能讲清楚“你用什么数据、做了什么分析、得出了什么结论”的项目。这些准备不会白做——它们既是申请材料，也是你进入大学后真正能用上的底子。
