显式使用"del"也是比将变量赋值为None更好的实践。如果你试图删除一个不存在的变量，你会得到一个运行时错误，但如果你试图将一个不存在的变量设置为None, Python会无声地将一个新变量设置为None，让你想要删除的变量留在原来的位置。所以del会帮助你尽早发现错误

删除变量与将其设置为None不同

使用del删除变量名可能很少使用，但如果没有关键字，这是无法实现的。如果你可以通过写a=1来创建一个变量名，那么理论上你可以通过删除a来撤销这一点。

在某些情况下，它可以使调试更容易，因为试图访问已删除的变量将引发NameError。

可以删除类实例属性

Python允许你编写如下代码:

class A(object):
    def set_a(self, a):
        self.a=a
a=A()
a.set_a(3)
if hasattr(a, "a"):
    print("Hallo")

如果选择向类实例动态添加属性，当然希望能够通过写入来撤销它

del a.a

这是我贡献的2美分:

我有一个优化问题，我使用一个Nlopt库。 我初始化类和它的一些方法，我在代码的其他几个部分使用。

我得到的结果是随机的，即使是同样的数值问题。

我刚刚意识到，通过这样做，一些虚假数据包含在对象中，而它应该没有任何问题。使用del后，我猜内存被正确地清除，这可能是一个内部问题的类，其中一些变量可能不喜欢被重用没有适当的构造函数。

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。

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。

我发现del有用的一个地方是清除for循环中的无关变量:

for x in some_list:
  do(x)
del x

现在你可以确定，如果你在for循环之外使用x，它将是没有定义的。