多线程（Multithreading）

多线程是在同一进程中运行的多个线程，每个线程都是独立的执行路径。多线程可以在同一进程中共享内存空间，因此线程之间的通信和数据共享相对容易。在 Python 中，多线程可以使用 threading 模块来实现。

多进程（Multiprocessing）

多进程是在不同的进程中运行的多个进程，每个进程都有自己独立的内存空间，因此进程之间的通信和数据共享相对复杂。在 Python 中，多进程可以使用 multiprocessing 模块来实现。

区别

1. 资源分配： 多线程是在同一进程中运行的多个线程，共享同一份内存空间，因此线程之间的切换相对轻量级。而多进程是在不同的进程中运行的多个进程，每个进程有独立的内存空间，进程之间的切换相对较重。
2. 通信和数据共享： 多线程之间的通信和数据共享相对容易，因为它们共享同一份内存空间。而多进程之间的通信和数据共享相对复杂，需要使用额外的机制，如队列、管道等。
3. 适用场景： 多线程适用于 I/O 密集型任务，如网络请求、文件读写等，可以充分利用 CPU 等待 I/O 操作的时间。多进程适用于 CPU 密集型任务，如计算密集型的数据处理任务，可以充分利用多核 CPU 的性能。

示例

以下是一个简单的示例，演示了如何使用多线程和多进程计算 Fibonacci 数列：

import threading
import multiprocessing

# 计算 Fibonacci 数列的函数
def fibonacci(n):
    if n <= 1:
        return n
    else:
        return fibonacci(n-1) + fibonacci(n-2)

# 使用多线程计算 Fibonacci 数列
def run_threading():
    threads = []
    for i in range(5):
        t = threading.Thread(target=fibonacci, args=(30,))
        threads.append(t)
        t.start()
    for t in threads:
        t.join()

# 使用多进程计算 Fibonacci 数列
def run_multiprocessing():
    processes = []
    for i in range(5):
        p = multiprocessing.Process(target=fibonacci, args=(30,))
        processes.append(p)
        p.start()
    for p in processes:
        p.join()

在上述示例中，我们分别使用多线程和多进程计算 Fibonacci 数列，然后比较它们的执行时间。通常情况下，多进程的执行时间会略长于多线程，因为多进程涉及到进程间的切换和数据复制，而多线程只涉及到线程间的切换。