del [dataframe]与`del dataframe‘有何不同？

Question

我在看Python代码库的内存消耗。这个代码库利用pandas和numpy来操纵巨大的数据帧。

当我们完成中间数据表示时，我们希望释放它来释放一些内存。我的一位同事注意到调用del dataframe和del [[dataframe]]是有区别的

​

​

他们由此得出结论：“如果del df和del [[df]]做同样的事情，那么来自单元格12的内存应该与单元格10中的内存相同，介于12到14之间，但是您可以看到，并不是所有的内存都被释放出来重新使用。”

我同意他们对实践逻辑中发生的事情的理解。然而，当我试图建立一个理论上的理解来支持这些代码时，我无法清楚地解释为什么这会有所不同。

查看this answer，使用target_list的del语句的定义应该使del my_list和target_list等效：

del_stmt ::=  "del" target_list

然而在this answer中，作者使用的是del [[df1, df2]]而不是del df1, df2，甚至是del [df1, df2]。

更糟糕的是，this answer甚至说了相反的话：“如果您只是添加到列表中，它就不会删除原始的dataframe，当您删除该列表时”，并得出结论认为应该更喜欢del df1而不是del [df1]。

如果语言定义表明对del的调用是相同的，那么它们之间又有什么区别呢？

Answer 1

从字面上讲，两者没有任何区别。他们也做同样的事。它们甚至编译成完全相同的字节码：

In [1]: import dis

In [2]: dis.dis('del x')
  1           0 DELETE_NAME              0 (x)
              2 LOAD_CONST               0 (None)
              4 RETURN_VALUE

In [3]: dis.dis('del [x]')
  1           0 DELETE_NAME              0 (x)
              2 LOAD_CONST               0 (None)
              4 RETURN_VALUE

In [4]: dis.dis('del [[x]]')
  1           0 DELETE_NAME              0 (x)
              2 LOAD_CONST               0 (None)
              4 RETURN_VALUE

您看到的结果很可能是由于执行顺序效应造成的。