I think one of the reasons that del has its own syntax is that replacing it with a function might be hard in certain cases given it operates on the binding or variable and not the value it references. Thus if a function version of del were to be created a context would need to be passed in. del foo would need to become globals().remove('foo') or locals().remove('foo') which gets messy and less readable. Still I say getting rid of del would be good given its seemingly rare use. But removing language features/flaws can be painful. Maybe python 4 will remove it :)

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。

我想详细说明公认的答案，以强调将变量设置为None与使用del删除变量之间的细微差别:

给定变量foo = 'bar'，函数定义如下:

def test_var(var):
    if var:
        print('variable tested true')
    else:
        print('variable tested false')

一旦初始声明，test_var(foo)产生的变量测试为true。

现在试一试:

foo = None
test_var(foo)

它产生的变量测试为假。

将这种行为与以下行为进行对比:

del foo
test_var(foo)

现在会引发NameError: name 'foo'没有定义。

del在python中什么时候有用?

您可以使用它来删除数组中的单个元素，而不是切片语法x[i:i+1]=[]。这可能是有用的，例如，如果你在操作系统。行走并希望删除目录中的一个元素。不过，我不认为关键字对此有用，因为可以使用[].remove(index)方法(.remove方法实际上是search-and-remove-first-instance-of-value)。

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

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。