我发现在使用Numpy处理大数据时，del对于伪手动内存管理非常有用。例如:

for image_name in large_image_set:
    large_image = io.imread(image_name)
    height, width, depth = large_image.shape
    large_mask = np.all(large_image == <some_condition>)
    # Clear memory, make space
    del large_image; gc.collect()

    large_processed_image = np.zeros((height, width, depth))
    large_processed_image[large_mask] = (new_value)
    io.imsave("processed_image.png", large_processed_image)

    # Clear memory, make space
    del large_mask, large_processed_image; gc.collect()

当Python GC无法跟上时，系统会疯狂地切换，这可能会导致脚本停止，而它在宽松的内存阈值下运行得非常流畅，从而在机器工作时留下了足够的空间来使用机器浏览和编码。

首先，你可以删除除局部变量之外的其他东西

del list_item[4]
del dictionary["alpha"]

这两者显然都是有用的。其次，在局部变量上使用del使意图更加明确。比较:

del foo

to

foo = None

我知道在del foo的情况下，目的是从作用域中删除变量。foo = None是否这样做还不清楚。如果有人只是赋值foo = None，我可能会认为这是死代码。但我立刻就知道，编码del foo的人想要做什么。

del所做的部分(来自Python语言参考):

删除名称将从本地或全局名称空间删除该名称的绑定

将None赋值给名称不会删除名称与名称空间的绑定。

(我想关于移除名称绑定是否真的有用可能会有一些争论，但这是另一个问题。)

作为del可以用来做什么的例子，我发现它在这样的情况下很有用:

def f(a, b, c=3):
    return '{} {} {}'.format(a, b, c)

def g(**kwargs):
    if 'c' in kwargs and kwargs['c'] is None:
        del kwargs['c']

    return f(**kwargs)

# g(a=1, b=2, c=None) === '1 2 3'
# g(a=1, b=2) === '1 2 3'
# g(a=1, b=2, c=4) === '1 2 4'

这两个函数可以在不同的包/模块中，程序员不需要知道f中的参数c实际上有什么默认值。因此，通过将kwargs与del结合使用，您可以将其设置为None(或者在这种情况下也可以保留它)，从而说“I want the default value on c”。

你也可以这样做:

def g(a, b, c=None):
    kwargs = {'a': a,
              'b': b}
    if c is not None:
        kwargs['c'] = c

    return f(**kwargs)

然而，我发现前面的例子更加DRY和优雅。

由于我还没有看到交互式控制台的答案，我将展示一个。

当foo=None时，该引用和对象存在，它不指向它。

而del foo也会销毁对象和引用。

如果你这样做如果foo是None并且它被删除了它就会升起NameError作为引用，它的对象所有介于两者之间的东西都会被del删除

删除目标列表会递归地从左到右删除每个目标。

与此同时，foo=None只是一个指向None的引用，因此引用仍然是有效的，对象也是如此。

[…在Python中，变量是对象的引用，任何变量都可以引用任何对象[…]

链接到引用1

链接到引用2

"del"命令对于控制数组中的数据非常有用，例如:

elements = ["A", "B", "C", "D"]
# Remove first element.
del elements[:1]
print(elements)

输出:

[' b '， ' c '， ' d ']