В Python потоки (threads) разделяют общую память процесса, то есть все потоки имеют доступ к одним и тем же объектам в памяти. Это позволяет им совместно работать с данными без необходимости их копирования.

Однако из-за Global Interpreter Lock (GIL) в стандартной реализации Python (CPython) только один поток выполняет байт-код Python в любой момент времени, что ограничивает параллелизм в CPU-интенсивных задачах.

Для безопасной работы с общей памятью используются механизмы синхронизации, такие как:

threading.Lock — блокировка для предотвращения одновременного доступа к ресурсу.
threading.Event, Condition, Semaphore — для более сложной координации.

Пример использования Lock:

import threading

counter = 0
lock = threading.Lock()

def increment():
    global counter
    for _ in range(100000):
        with lock:
            counter += 1

threads = [threading.Thread(target=increment) for _ in range(2)]
for t in threads:
    t.start()
for t in threads:
    t.join()

print(counter)  # Ожидается 200000

Таким образом, потоки в Python имеют общую память, но для корректной совместной работы необходима синхронизация.

Общая ли память у различных потоков в Python и как реализована их совместная работа с памятью?