Что хотят услышать интервьюеры:

Для CPU-bound задач в Python обычно предпочтительнее несколько процессов, а не потоков, из-за GIL. Потоки полезны в основном для I/O-bound операций: ожидания сети, диска, БД. Выбор зависит от того, что именно ограничивает программу — вычисления или ожидание внешних ресурсов.

Определение:

Многопоточность и многопроцессность решают разные задачи. Потоки разделяют одну память и удобны для конкурентного ожидания, но в CPython не дают настоящего параллелизма для чисто вычислительного кода из-за GIL. Процессы запускают отдельные интерпретаторы Python, поэтому могут реально использовать несколько ядер и лучше подходят для тяжелых вычислений.

Пример использования:

Если нужно обработать большой массив данных, посчитать хэши для миллионов файлов или выполнить сложные численные вычисления, лучше использовать процессы. Если же программа делает много запросов к API или читает данные с медленного хранилища, чаще выгоднее потоки.

from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor
import hashlib

def heavy_compute(data: bytes) -> str:
    return hashlib.sha256(data).hexdigest()

items = [b"data1", b"data2", b"data3"]

# Для вычислений
with ProcessPoolExecutor() as executor:
    results = list(executor.map(heavy_compute, items))

# Для I/O-задач обычно выбирают потоки
with ThreadPoolExecutor() as executor:
    results = list(executor.map(heavy_compute, items))

Пояснение кода:

В примере одна и та же функция показана в двух вариантах исполнения. ProcessPoolExecutor создает пул процессов, поэтому задачи могут выполняться параллельно на разных ядрах. ThreadPoolExecutor создает пул потоков, который удобен для ожидания внешних операций, но для CPU-bound работы обычно не ускоряет вычисления в CPython. На практике для вычислений выбирают процессы, а для сетевых или файловых операций — потоки.

Ключевые моменты:

Для CPU-bound задач в CPython чаще нужен multiprocessing / ProcessPoolExecutor.
Для I/O-bound задач чаще подходят threading / ThreadPoolExecutor.
Потоки проще и дешевле по памяти, чем процессы, но ограничены GIL для Python-кода.
Процессы дают настоящий параллелизм, но дороже по созданию и обмену данными.
Если задача смешанная, выбор делают по узкому месту: вычисления или ожидание ввода-вывода.
Для небольших задач накладные расходы на процессы могут перекрыть выигрыш от параллелизма.

Следует ли выполнять вычислительные задачи с использованием нескольких потоков или же лучше задействовать несколько процессов?