Зачем нужно разделение типов данных на изменяемые и неизменяемые

Что проверяют

Понимаете ли вы, какие ошибки в Python и в пайплайнах данных растут из изменяемости, а не просто можете перечислить типы. Следом обычно дают код с аргументом по умолчанию def f(x=[]) или просят объяснить, почему список нельзя сделать ключом словаря.

Как отвечать

Неизменяемые: int, float, str, bytes, tuple, frozenset. Изменяемые: list, dict, set, bytearray, а ещё массивы NumPy, DataFrame и тензоры. Переменная в Python это ссылка на объект, поэтому изменяемость решает, увидят ли изменение все, кто держит ту же ссылку.

Зачем разделение нужно:

• хешируемость: ключ dict и элемент set обязаны иметь стабильный хеш. Поэтому ключом может быть кортеж, но не список, а кортеж со списком внутри тоже не хешируется;
• безопасная передача: неизменяемый объект можно отдать в функцию или другой поток без страха, что его поменяют. Отсюда @dataclass(frozen=True) для конфигов экспериментов;
• оптимизации интерпретатора: интернирование строк и кеш маленьких целых возможны только потому, что объекты не меняются;
• дешёвые изменения: дополнить список дешевле, чем каждый раз собирать новый кортеж. Строки в цикле склеивают через "".join(...), а не +=.

В данных это важнее всего. Срез массива NumPy возвращает view, и запись в него меняет исходный массив. В pandas из-за этого годами жило предупреждение SettingWithCopyWarning, а в pandas 3.0 по умолчанию работает Copy-on-Write: изменение производного объекта не трогает исходный. В PyTorch операции с подчёркиванием вроде add_() меняют тензор на месте и могут сломать вычисление градиентов.

Где спотыкаются

Пишут изменяемый аргумент по умолчанию. Список создаётся один раз при определении функции и копит значения между вызовами. Правильно x=None и создание списка внутри.

Путают b = a с копированием. Для вложенных структур и copy.copy мало, нужен copy.deepcopy.

Считают кортеж полностью неизменяемым. Неизменен только набор ссылок, список внутри кортежа по-прежнему можно дополнить.