在以上回答的基础上补充几点: 德尔x

x的定义表示r -> o(一个引用r指向一个对象o)，但del x改变的是r而不是o。这是一个对对象的引用(指针)的操作，而不是与x相关的对象。区分r和o是这里的关键。

It removes it from locals(). Removes it from globals() if x belongs there. Removes it from the stack frame (removes the reference physically from it, but the object itself resides in object pool and not in the stack frame). Removes it from the current scope. It is very useful to limit the span of definition of a local variable, which otherwise can cause problems. It is more about declaration of the name rather than definition of content. It affects where x belongs to, not where x points to. The only physical change in memory is this. For example if x is in a dictionary or list, it (as a reference) is removed from there(and not necessarily from the object pool). In this example, the dictionary it belongs is the stack frame (locals()), which overlaps with globals().

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。)

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。

有一次我不得不使用:

del serial
serial = None

因为只使用:

serial = None

没有及时释放串口，无法立即再次打开。 从这一课中，我了解到del的真正意思是:“现在就开始!然后等待直到它完成”这在很多情况下都很有用。当然，你可能有一个system.gc.del_this_and_wait_balbalba (obj)。

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。