del [dataframe] 与 `del dataframe` 有何不同？

Question

我正在查看 Python 代码库的内存消耗。该代码库利用pandas 和numpy 来处理庞大的数据帧。

当我们完成中间数据表示后，我们希望释放它以释放一些内存。我的一位同事注意到调用del dataframe 和del [[dataframe]] 之间存在差异：

他们由此得出结论 “如果del df 会和del [[df]] 做同样的事情，那么来自单元格 12 的内存应该与来自单元格 10 的内存相同，介于 12 和 14 之间，但你可以看到并不是所有的内存都被释放以再次使用。”

我同意他们对这里实践逻辑的理解。然而，当试图建立一种理论理解来支持该代码时，我找不到一个明确的解释来解释为什么会有所不同。

查看this answer，采用target_list 的del 语句的定义应该使del my_list 和del [my_list]/del [[my_list]]/del [[[my_list]]] 等效：

del_stmt ::=  "del" target_list

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

更糟糕的是，this answer 甚至声明相反：“如果你只是添加到列表中，它不会删除原始数据帧，当你删除列表时”，并得出结论认为人们应该更喜欢 del df1 而不是 @987654344 @。

当语言定义表明它们是相同的时，这些对del 的调用之间怎么会有区别？

Answer 1

实际上没有任何区别。他们做同样的事情。他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的影响。