{"id":31643,"date":"2025-10-12T07:40:58","date_gmt":"2025-10-12T04:40:58","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/?p=31643"},"modified":"2025-10-12T07:40:58","modified_gmt":"2025-10-12T04:40:58","slug":"numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/","title":{"rendered":"NumPy’da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi"},"content":{"rendered":"

<\/p>\n

NumPy’da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi<\/h2>\n

Giri\u015f<\/h3>\n

Veri bilimi, makine \u00f6\u011frenimi ve bilimsel hesaplama alanlar\u0131nda Python, sundu\u011fu g\u00fc\u00e7l\u00fc k\u00fct\u00fcphaneler sayesinde vazge\u00e7ilmez bir ara\u00e7 haline gelmi\u015ftir. Bu k\u00fct\u00fcphanelerin ba\u015f\u0131nda gelen NumPy (Numerical Python), \u00e7ok boyutlu diziler (ndarray) \u00fczerinde y\u00fcksek performansl\u0131 matematiksel i\u015flemler yapmay\u0131 sa\u011flayan temel bir pakettir. NumPy’\u0131n g\u00fcc\u00fc, C ve Fortran’da yaz\u0131lm\u0131\u015f optimize edilmi\u015f kod taban\u0131ndan gelir, bu da onu saf Python listelerine k\u0131yasla \u00e7ok daha h\u0131zl\u0131 k\u0131lar. B\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken, performans kritik bir fakt\u00f6rd\u00fcr ve NumPy bu ihtiyac\u0131 fazlas\u0131yla kar\u015f\u0131lar.<\/p>\n

NumPy’\u0131n sundu\u011fu say\u0131s\u0131z fonksiyondan biri olan numpy.sum()<\/code>, dizilerdeki elemanlar\u0131n toplam\u0131n\u0131 hesaplamak i\u00e7in kullan\u0131l\u0131r. Basit bir toplama i\u015fleminden \u00e7ok daha fazlas\u0131n\u0131 sunan bu fonksiyon, \u00f6zellikle \u00e7ok boyutlu dizilerde belirli eksenler (boyutlar) boyunca toplama yapma yetene\u011fi sayesinde veri analizi ve manip\u00fclasyonunda merkezi bir rol oynar. Bu makalede, numpy.sum()<\/code> fonksiyonunun detayl\u0131 kullan\u0131m\u0131n\u0131, \u00e7e\u015fitli parametrelerini, performans avantajlar\u0131n\u0131 ve ger\u00e7ek d\u00fcnya uygulamalar\u0131n\u0131 kapsaml\u0131 bir \u015fekilde inceleyece\u011fiz. Amac\u0131m\u0131z, bu g\u00fc\u00e7l\u00fc arac\u0131 en verimli \u015fekilde kullanmak i\u00e7in gerekli t\u00fcm bilgiyi sa\u011flamakt\u0131r.<\/p>\n

numpy.sum()<\/code> Fonksiyonunun Temel Kullan\u0131m\u0131<\/h3>\n

numpy.sum()<\/code> fonksiyonu, bir NumPy dizisindeki t\u00fcm elemanlar\u0131n toplam\u0131n\u0131 veya belirli eksenler boyunca elemanlar\u0131n toplam\u0131n\u0131 hesaplar. Temel s\u00f6zdizimi olduk\u00e7a basittir: numpy.sum(a, axis=None, dtype=None, out=None, keepdims=False, initial=0, where=True)<\/code>. Burada a<\/code>, toplam\u0131n hesaplanaca\u011f\u0131 NumPy dizisini ifade eder. Di\u011fer parametreler iste\u011fe ba\u011fl\u0131d\u0131r ve fonksiyonun davran\u0131\u015f\u0131n\u0131 \u00f6zelle\u015ftirmek i\u00e7in kullan\u0131l\u0131r.<\/p>\n

Varsay\u0131lan olarak, axis<\/code> parametresi belirtilmedi\u011finde veya None<\/code> olarak ayarland\u0131\u011f\u0131nda, fonksiyon dizinin t\u00fcm elemanlar\u0131n\u0131 tek bir say\u0131ya indirgeyerek toplam\u0131 hesaplar. Bu, diziyi tek boyutlu bir hale getirip t\u00fcm elemanlar\u0131 toplamak anlam\u0131na gelir.<\/p>\n

\u00d6rnek 1: Dizinin T\u00fcm Elemanlar\u0131n\u0131 Toplama<\/strong><\/p>\n

import numpy as np\n\n
Tek boyutlu bir dizi<\/h2>\narr1 = np.array([1, 2, 3, 4, 5])\ntoplam1 = np.sum(arr1)\nprint(f\"Tek boyutlu dizinin toplam\u0131: {toplam1}\")\n\n
\u0130ki boyutlu bir dizi<\/h2>\narr2 = np.array([[1, 2, 3],\n                 [4, 5, 6]])\ntoplam2 = np.sum(arr2)\nprint(f\"\u0130ki boyutlu dizinin t\u00fcm elemanlar\u0131n\u0131n toplam\u0131: {toplam2}\")\n\n
\u00c7\u0131kt\u0131:<\/h2>\n
Tek boyutlu dizinin toplam\u0131: 15<\/h2>\n
\u0130ki boyutlu dizinin t\u00fcm elemanlar\u0131n\u0131n toplam\u0131: 21<\/code><\/pre>\n<\/h2>\n
Yukar\u0131daki \u00f6rnekte g\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, numpy.sum()<\/code> hem tek boyutlu hem de \u00e7ok boyutlu diziler i\u00e7in t\u00fcm elemanlar\u0131n toplam\u0131n\u0131 kolayca hesaplayabilir. Bu temel kullan\u0131m, veri setlerindeki genel toplamlar\u0131 bulmak i\u00e7in s\u0131k\u00e7a ba\u015fvurulan bir y\u00f6ntemdir. Ancak, numpy.sum()<\/code>‘\u0131n ger\u00e7ek g\u00fcc\u00fc, axis<\/code> parametresiyle belirli boyutlar \u00fczerinde toplama yapma yetene\u011finde yatar.<\/p>\n
axis<\/code> Parametresi: Boyutlar \u00dczerinde Toplama<\/h3>\n
axis<\/code> parametresi, numpy.sum()<\/code> fonksiyonunun en \u00f6nemli ve en s\u0131k kullan\u0131lan parametrelerinden biridir. Bu parametre, toplam\u0131n hangi eksen veya eksenler boyunca yap\u0131laca\u011f\u0131n\u0131 belirtir. NumPy dizileri, her biri bir eksen veya boyut olarak adland\u0131r\u0131lan bir dizi boyuta sahiptir. \u00d6rne\u011fin, 2 boyutlu bir dizi (matris) sat\u0131rlara (eksen 0) ve s\u00fctunlara (eksen 1) sahiptir. axis<\/code> parametresi, bu eksenlerden hangisinin “yok edilece\u011fini” veya “indirgenece\u011fini” belirler.<\/p>\n
axis=0<\/code>: S\u00fctunlar \u00dczerinde Toplama<\/h4>\n
axis=0<\/code> belirtildi\u011finde, toplama i\u015flemi her s\u00fctun boyunca (yani sat\u0131rlar aras\u0131nda) yap\u0131l\u0131r. Sonu\u00e7 olarak, her s\u00fctun i\u00e7in bir toplam de\u011feri elde edilir ve \u00e7\u0131kt\u0131 dizisinin boyutu, orijinal dizinin 0. ekseninin (sat\u0131rlar\u0131n) kald\u0131r\u0131lmas\u0131yla azal\u0131r. 2 boyutlu bir dizide, bu i\u015flem her s\u00fctunun elemanlar\u0131n\u0131 toplayarak bir sat\u0131r dizisi d\u00f6nd\u00fcr\u00fcr.<\/p>\n
\u00d6rnek 2: axis=0<\/code> ile Toplama<\/strong><\/p>\n
import numpy as np\n\narr = np.array([[1, 2, 3],\n                [4, 5, 6],\n                [7, 8, 9]])\n\n
axis=0: S\u00fctunlar boyunca toplama (sat\u0131rlar aras\u0131nda)<\/h2>\ntoplam_sutunlar = np.sum(arr, axis=0)\nprint(f\"axis=0 ile toplama:\\n{toplam_sutunlar}\")\nprint(f\"axis=0 ile toplama sonucunun boyutu: {toplam_sutunlar.shape}\")\n\n
\u00c7\u0131kt\u0131:<\/h2>\n
axis=0 ile toplama:<\/h2>\n
[12 15 18]<\/h2>\n
axis=0 ile toplama sonucunun boyutu: (3,)<\/code><\/pre>\n<\/h2>\n
Yukar\u0131daki \u00f6rnekte:
\n*   \u0130lk s\u00fctun: 1 + 4 + 7 = 12
\n*   \u0130kinci s\u00fctun: 2 + 5 + 8 = 15
\n*   \u00dc\u00e7\u00fcnc\u00fc s\u00fctun: 3 + 6 + 9 = 18
\nSonu\u00e7 olarak, [12 15 18]<\/code> \u015feklinde tek boyutlu bir dizi elde edilir. Orijinal dizinin \u015fekli (3, 3) iken, sonu\u00e7 dizinin \u015fekli (3,) olmu\u015ftur, yani 0. eksen (sat\u0131r ekseni) ortadan kalkm\u0131\u015ft\u0131r.<\/p>\n
axis=1<\/code>: Sat\u0131rlar \u00dczerinde Toplama<\/h4>\n
axis=1<\/code> belirtildi\u011finde, toplama i\u015flemi her sat\u0131r boyunca (yani s\u00fctunlar aras\u0131nda) yap\u0131l\u0131r. Sonu\u00e7 olarak, her sat\u0131r i\u00e7in bir toplam de\u011feri elde edilir ve \u00e7\u0131kt\u0131 dizisinin boyutu, orijinal dizinin 1. ekseninin (s\u00fctunlar\u0131n) kald\u0131r\u0131lmas\u0131yla azal\u0131r. 2 boyutlu bir dizide, bu i\u015flem her sat\u0131r\u0131n elemanlar\u0131n\u0131 toplayarak bir s\u00fctun dizisi d\u00f6nd\u00fcr\u00fcr.<\/p>\n
\u00d6rnek 3: axis=1<\/code> ile Toplama<\/strong><\/p>\n
import numpy as np\n\narr = np.array([[1, 2, 3],\n                [4, 5, 6],\n                [7, 8, 9]])\n\n
axis=1: Sat\u0131rlar boyunca toplama (s\u00fctunlar aras\u0131nda)<\/h2>\ntoplam_satirlar = np.sum(arr, axis=1)\nprint(f\"axis=1 ile toplama:\\n{toplam_satirlar}\")\nprint(f\"axis=1 ile toplama sonucunun boyutu: {toplam_satirlar.shape}\")\n\n
\u00c7\u0131kt\u0131:<\/h2>\n
axis=1 ile toplama:<\/h2>\n
[ 6 15 24]<\/h2>\n
axis=1 ile toplama sonucunun boyutu: (3,)<\/code><\/pre>\n<\/h2>\n
Yukar\u0131daki \u00f6rnekte:
\n*   \u0130lk sat\u0131r: 1 + 2 + 3 = 6
\n*   \u0130kinci sat\u0131r: 4 + 5 + 6 = 15
\n*   \u00dc\u00e7\u00fcnc\u00fc sat\u0131r: 7 + 8 + 9 = 24
\nSonu\u00e7 olarak, [ 6 15 24]<\/code> \u015feklinde tek boyutlu bir dizi elde edilir. Orijinal dizinin \u015fekli (3, 3) iken, sonu\u00e7 dizinin \u015fekli (3,) olmu\u015ftur, yani 1. eksen (s\u00fctun ekseni) ortadan kalkm\u0131\u015ft\u0131r.<\/p>\n
\u00c7ok Boyutlu Dizilerde axis<\/code> Kullan\u0131m\u0131<\/h4>\n
axis<\/code> parametresi, ikiden fazla boyuta sahip dizilerde de ayn\u0131 mant\u0131kla \u00e7al\u0131\u015f\u0131r. \u00d6rne\u011fin, 3 boyutlu bir dizide (derinlik, sat\u0131r, s\u00fctun), axis=0<\/code> derinlik boyunca, axis=1<\/code> sat\u0131rlar boyunca ve axis=2<\/code> s\u00fctunlar boyunca toplama yapar. Birden fazla eksen boyunca toplama yapmak i\u00e7in axis<\/code> parametresine bir tuple (demet) ge\u00e7irebilirsiniz.<\/p>\n
\u00d6rnek 4: 3 Boyutlu Dizide axis<\/code> Kullan\u0131m\u0131<\/strong><\/p>\n
import numpy as np\n\narr_3d = np.array([[[1, 2], [3, 4]],\n                   [[5, 6], [7, 8]]])\nprint(f\"3 boyutlu dizi:\\n{arr_3d}\")\nprint(f\"3 boyutlu dizinin boyutu: {arr_3d.shape}\\n\") # (2, 2, 2)\n\n
axis=0: \u0130lk eksen (derinlik) boyunca toplama<\/h2>\n
Her bir [sat\u0131r, s\u00fctun] kombinasyonu i\u00e7in derinlik boyunca toplama<\/h2>\ntoplam_axis0 = np.sum(arr_3d, axis=0)\nprint(f\"axis=0 ile toplama:\\n{toplam_axis0}\")\nprint(f\"axis=0 ile toplama sonucunun boyutu: {toplam_axis0.shape}\\n\")\n
\u00c7\u0131kt\u0131:<\/h2>\n
[[ 6  8]  (1+5, 2+6)<\/h2>\n
[10 12]] (3+7, 4+8)<\/h2>\n\n
axis=1: \u0130kinci eksen (sat\u0131rlar) boyunca toplama<\/h2>\n
Her bir [derinlik, s\u00fctun] kombinasyonu i\u00e7in sat\u0131rlar boyunca toplama<\/h2>\ntoplam_axis1 = np.sum(arr_3d, axis=1)\nprint(f\"axis=1 ile toplama:\\n{toplam_axis1}\")\nprint(f\"axis=1 ile toplama sonucunun boyutu: {toplam_axis1.shape}\\n\")\n
\u00c7\u0131kt\u0131:<\/h2>\n
[[ 4  6]  (1+3, 2+4)<\/h2>\n
[12 14]] (5+7, 6+8)<\/h2>\n\n
axis=2: \u00dc\u00e7\u00fcnc\u00fc eksen (s\u00fctunlar) boyunca toplama<\/h2>\n
Her bir [derinlik, sat\u0131r] kombinasyonu i\u00e7in s\u00fctunlar boyunca toplama<\/h2>\ntoplam_axis2 = np.sum(arr_3d, axis=2)\nprint(f\"axis=2 ile toplama:\\n{toplam_axis2}\")\nprint(f\"axis=2 ile toplama sonucunun boyutu: {toplam_axis2.shape}\\n\")\n
\u00c7\u0131kt\u0131:<\/h2>\n
[[ 3  7]  (1+2, 3+4)<\/h2>\n
[11 15]] (5+6, 7+8)<\/h2>\n\n
Birden fazla eksen boyunca toplama (\u00f6rne\u011fin, axis=(0, 1))<\/h2>\n
Hem derinlik hem de sat\u0131rlar boyunca toplama<\/h2>\ntoplam_axis01 = np.sum(arr_3d, axis=(0, 1))\nprint(f\"axis=(0, 1) ile toplama:\\n{toplam_axis01}\")\nprint(f\"axis=(0, 1) ile toplama sonucunun boyutu: {toplam_axis01.shape}\\n\")\n
\u00c7\u0131kt\u0131:<\/h2>\n
[20 24] (1+3+5+7, 2+4+6+8)<\/code><\/pre>\n<\/h2>\n
Birden fazla eksen belirtildi\u011finde, bu eksenler s\u0131ras\u0131yla indirgenir. \u00d6rne\u011fin, axis=(0, 1)<\/code> \u00f6nce 0. eksen boyunca, ard\u0131ndan elde edilen sonu\u00e7 \u00fczerinde 1. eksen boyunca toplama yapar. Bu, genellikle bir diziyi tek bir boyuta veya tek bir skaler de\u011fere indirgemek i\u00e7in kullan\u0131l\u0131r.<\/p>\n
axis=None<\/code> veya Belirtilmemi\u015f Durum<\/h4>\n
axis<\/code> parametresi belirtilmedi\u011finde veya None<\/code> olarak ayarland\u0131\u011f\u0131nda, numpy.sum()<\/code> diziyi d\u00fczle\u015ftirir (t\u00fcm boyutlar\u0131 tek bir boyuta indirger) ve t\u00fcm elemanlar\u0131 toplar. Bu, ba\u015flang\u0131\u00e7ta g\u00f6sterdi\u011fimiz temel toplama i\u015flemidir.<\/p>\n
import numpy as np\n\narr = np.array([[1, 2], [3, 4]])\ntoplam_none = np.sum(arr, axis=None)\ntoplam_varsayilan = np.sum(arr) # axis belirtilmezse None varsay\u0131l\u0131r\nprint(f\"axis=None ile toplama: {toplam_none}\")\nprint(f\"Varsay\u0131lan toplama: {toplam_varsayilan}\")\n
\u00c7\u0131kt\u0131:<\/h2>\n
axis=None ile toplama: 10<\/h2>\n
Varsay\u0131lan toplama: 10<\/code><\/pre>\n<\/h2>\n
dtype<\/code> Parametresi: Veri Tipi Kontrol\u00fc<\/h3>\n
dtype<\/code> parametresi, toplama i\u015fleminin sonucunun veri tipini belirtmek i\u00e7in kullan\u0131l\u0131r. Bu, \u00f6zellikle olas\u0131 say\u0131 ta\u015fmas\u0131 (overflow) sorunlar\u0131n\u0131 \u00f6nlemek veya belirli bir hassasiyetle \u00e7al\u0131\u015fmak istedi\u011finizde \u00f6nemlidir. \u00d6rne\u011fin, k\u00fc\u00e7\u00fck bir tamsay\u0131 tipine sahip bir dizideki elemanlar\u0131n toplam\u0131, o veri tipinin maksimum de\u011ferini a\u015fabilir ve bu da yanl\u0131\u015f sonu\u00e7lara yol a\u00e7abilir. Bu durumda, sonucu daha b\u00fcy\u00fck bir veri tipine (\u00f6rne\u011fin, np.int64<\/code> veya np.float64<\/code>) d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in dtype<\/code> parametresi kullan\u0131labilir.<\/p>\n
\u00d6rnek 5: dtype<\/code> Kullan\u0131m\u0131 ve Say\u0131 Ta\u015fmas\u0131<\/strong><\/p>\n
import numpy as np\n\n
K\u00fc\u00e7\u00fck bir tamsay\u0131 tipi (int8, -128'den 127'ye kadar de\u011fer tutar)<\/h2>\narr_int8 = np.array([100, 50, 20], dtype=np.int8)\nprint(f\"Orijinal dizi (int8): {arr_int8}, dtype: {arr_int8.dtype}\")\n\n
Varsay\u0131lan toplama (sonu\u00e7 int8'e s\u0131\u011fmayabilir)<\/h2>\n
100 + 50 + 20 = 170. int8 i\u00e7in 127'den b\u00fcy\u00fck.<\/h2>\ntoplam_varsayilan = np.sum(arr_int8)\nprint(f\"Varsay\u0131lan toplama (dtype int8'den b\u00fcy\u00fckse sorun olabilir): {toplam_varsayilan}, dtype: {type(toplam_varsayilan)}\")\n
NumPy, varsay\u0131lan olarak sonu\u00e7 i\u00e7in daha geni\u015f bir tip se\u00e7ebilir, ancak her zaman de\u011fil.<\/h2>\n
Bu \u00f6rnekte Python'\u0131n int'ine d\u00f6n\u00fc\u015ft\u00fc.<\/h2>\n
E\u011fer sonu\u00e7 yine NumPy int8 olsayd\u0131, ta\u015fma ya\u015fanabilirdi.<\/h2>\n\n
dtype belirterek toplama (sonucu int16'ya zorlama)<\/h2>\ntoplam_int16 = np.sum(arr_int8, dtype=np.int16)\nprint(f\"int16 olarak toplama: {toplam_int16}, dtype: {toplam_int16.dtype}\")\n\n
dtype belirterek toplama (sonucu float64'e zorlama)<\/h2>\ntoplam_float64 = np.sum(arr_int8, dtype=np.float64)\nprint(f\"float64 olarak toplama: {toplam_float64}, dtype: {toplam_float64.dtype}\")\n\n
\u00c7\u0131kt\u0131 (sistem ve NumPy versiyonuna g\u00f6re k\u00fc\u00e7\u00fck farkl\u0131l\u0131klar g\u00f6sterebilir):<\/h2>\n
Orijinal dizi (int8): [100  50  20], dtype: int8<\/h2>\n
Varsay\u0131lan toplama (dtype int8'den b\u00fcy\u00fckse sorun olabilir): 170, dtype: <\/h2>\n
int16 olarak toplama: 170, dtype: int16<\/h2>\n
float64 olarak toplama: 170.0, dtype: float64<\/code><\/pre>\n<\/h2>\n
NumPy genellikle toplama i\u015flemleri i\u00e7in uygun bir varsay\u0131lan dtype<\/code> se\u00e7meye \u00e7al\u0131\u015fsa da, \u00f6zellikle \u00e7ok say\u0131da eleman\u0131 olan veya b\u00fcy\u00fck de\u011ferler i\u00e7eren dizilerde dtype<\/code> parametresini a\u00e7\u0131k\u00e7a belirtmek en g\u00fcvenli yakla\u015f\u0131md\u0131r.<\/p>\n
out<\/code> Parametresi: Sonucun Kaydedilece\u011fi Yer<\/h3>\n
out<\/code> parametresi, toplama i\u015fleminin sonucunun kaydedilece\u011fi mevcut bir NumPy dizisini belirtmenizi sa\u011flar. Bu, \u00f6zellikle b\u00fcy\u00fck dizilerle \u00e7al\u0131\u015f\u0131rken bellek tahsisini optimize etmek ve yeni bir dizi olu\u015fturma maliyetinden ka\u00e7\u0131nmak istedi\u011finizde kullan\u0131\u015fl\u0131d\u0131r. out<\/code> parametresi olarak verilen dizinin \u015fekli ve veri tipi, beklenen sonu\u00e7la uyumlu olmal\u0131d\u0131r.<\/p>\n
\u00d6rnek 6: out<\/code> Parametresi Kullan\u0131m\u0131<\/strong><\/p>\n
import numpy as np\n\narr = np.array([1, 2, 3, 4, 5])\n\n
Sonucun kaydedilece\u011fi bo\u015f bir dizi olu\u015fturma<\/h2>\nresult_array = np.zeros(1, dtype=np.int64) # Tek bir skaler de\u011fer bekliyoruz\n\nnp.sum(arr, out=result_array)\nprint(f\"Sonu\u00e7 (out parametresi ile): {result_array}\")\nprint(f\"Sonucun tipi: {result_array.dtype}\")\n\n
\u00c7\u0131kt\u0131:<\/h2>\n
Sonu\u00e7 (out parametresi ile): [15]<\/h2>\n
Sonucun tipi: int64<\/code><\/pre>\n<\/h2>\n
out<\/code> parametresi, \u00f6zellikle d\u00f6ng\u00fcler i\u00e7inde veya performansa duyarl\u0131 uygulamalarda bellek y\u00f6netimini iyile\u015ftirmek i\u00e7in de\u011ferli olabilir.<\/p>\n
keepdims<\/code> Parametresi: Boyutlar\u0131 Koruma<\/h3>\n
keepdims<\/code> parametresi, axis<\/code> parametresi kullan\u0131larak bir eksen boyunca toplama yap\u0131ld\u0131\u011f\u0131nda, indirgenen eksenin \u00e7\u0131kt\u0131 dizisinde tek boyutlu (boyut 1) olarak korunup korunmayaca\u011f\u0131n\u0131 belirler. Varsay\u0131lan de\u011feri False<\/code>‘dur, yani indirgenen eksen tamamen kald\u0131r\u0131l\u0131r. keepdims=True<\/code> olarak ayarland\u0131\u011f\u0131nda, \u00e7\u0131kt\u0131 dizisinin \u015fekli, indirgenen eksenlerin boyutunun 1 oldu\u011fu orijinal dizinin \u015fekline benzer olacakt\u0131r. Bu, yay\u0131n (broadcasting) i\u015flemleri i\u00e7in \u00e7\u0131kt\u0131n\u0131n orijinal diziyle uyumlu kalmas\u0131n\u0131 sa\u011flamak istedi\u011finizde \u00e7ok kullan\u0131\u015fl\u0131d\u0131r.<\/p>\n
\u00d6rnek 7: keepdims<\/code> Kullan\u0131m\u0131<\/strong><\/p>\n
import numpy as np\n\narr = np.array([[1, 2, 3],\n                [4, 5, 6]])\nprint(f\"Orijinal dizi:\\n{arr}\")\nprint(f\"Orijinal dizinin boyutu: {arr.shape}\\n\") # (2, 3)\n\n
keepdims=False (varsay\u0131lan): Eksen kald\u0131r\u0131l\u0131r<\/h2>\ntoplam_normal = np.sum(arr, axis=0)\nprint(f\"axis=0, keepdims=False ile toplama:\\n{toplam_normal}\")\nprint(f\"Sonu\u00e7 dizinin boyutu: {toplam_normal.shape}\\n\") # (3,)\n\n
keepdims=True: Eksen korunur (boyutu 1 olarak)<\/h2>\ntoplam_keepdims = np.sum(arr, axis=0, keepdims=True)\nprint(f\"axis=0, keepdims=True ile toplama:\\n{toplam_keepdims}\")\nprint(f\"Sonu\u00e7 dizinin boyutu: {toplam_keepdims.shape}\\n\") # (1, 3)\n\n
axis=1 i\u00e7in ayn\u0131 durum<\/h2>\ntoplam_normal_axis1 = np.sum(arr, axis=1)\nprint(f\"axis=1, keepdims=False ile toplama:\\n{toplam_normal_axis1}\")\nprint(f\"Sonu\u00e7 dizinin boyutu: {toplam_normal_axis1.shape}\\n\") # (2,)\n\ntoplam_keepdims_axis1 = np.sum(arr, axis=1, keepdims=True)\nprint(f\"axis=1, keepdims=True ile toplama:\\n{toplam_keepdims_axis1}\")\nprint(f\"Sonu\u00e7 dizinin boyutu: {toplam_keepdims_axis1.shape}\\n\") # (2, 1)\n\n
\u00c7\u0131kt\u0131:<\/h2>\n
Orijinal dizi:<\/h2>\n
[[1 2 3]<\/h2>\n
[4 5 6]]<\/h2>\n
Orijinal dizinin boyutu: (2, 3)<\/h2>\n
# axis=0, keepdims=False ile toplama:<\/h2>\n
[5 7 9]<\/h2>\n
Sonu\u00e7 dizinin boyutu: (3,)<\/h2>\n
# axis=0, keepdims=True ile toplama:<\/h2>\n
[[5 7 9]]<\/h2>\n
Sonu\u00e7 dizinin boyutu: (1, 3)<\/h2>\n
# axis=1, keepdims=False ile toplama:<\/h2>\n
[ 6 15]<\/h2>\n
Sonu\u00e7 dizinin boyutu: (2,)<\/h2>\n
# axis=1, keepdims=True ile toplama:<\/h2>\n
[[ 6]<\/h2>\n
[15]]<\/h2>\n
Sonu\u00e7 dizinin boyutu: (2, 1)<\/code><\/pre>\n<\/h2>\n
keepdims=True<\/code> \u00f6zellikle, bir diziyi bir eksen boyunca toplad\u0131ktan sonra orijinal diziyle tekrar yay\u0131nlamak (broadcast) istedi\u011finizde \u00e7ok kullan\u0131\u015fl\u0131d\u0131r. \u00d6rne\u011fin, her eleman\u0131 kendi s\u00fctun ortalamas\u0131ndan \u00e7\u0131karmak istedi\u011finizde, keepdims=True<\/code> kullan\u0131larak hesaplanan s\u00fctun ortalamalar\u0131 do\u011frudan orijinal diziyle yay\u0131nlanabilir.<\/p>\n
initial<\/code> Parametresi: Ba\u015flang\u0131\u00e7 De\u011feri<\/h3>\n
initial<\/code> parametresi, toplama i\u015flemine ba\u015flanacak ilk de\u011feri belirtir. Bu, toplam\u0131n s\u0131f\u0131r yerine belirli bir de\u011ferden ba\u015flamas\u0131n\u0131 istedi\u011finiz durumlarda kullan\u0131\u015fl\u0131d\u0131r. Varsay\u0131lan de\u011feri 0’d\u0131r.<\/p>\n
\u00d6rnek 8: initial<\/code> Parametresi Kullan\u0131m\u0131<\/strong><\/p>\n
import numpy as np\n\narr = np.array([1, 2, 3])\n\n
initial olmadan toplama<\/h2>\ntoplam_normal = np.sum(arr)\nprint(f\"initial olmadan toplama: {toplam_normal}\") # 1 + 2 + 3 = 6\n\n
initial=10 ile toplama<\/h2>\ntoplam_initial = np.sum(arr, initial=10)\nprint(f\"initial=10 ile toplama: {toplam_initial}\") # 10 + 1 + 2 + 3 = 16\n\n
\u00c7\u0131kt\u0131:<\/h2>\n
initial olmadan toplama: 6<\/h2>\n
initial=10 ile toplama: 16<\/code><\/pre>\n<\/h2>\n
Bu parametre, \u00f6zellikle bo\u015f bir diziyi toplarken veya toplam\u0131n belirli bir ba\u015flang\u0131\u00e7 de\u011feriyle ba\u015flamas\u0131 gereken \u00f6zel algoritmalar geli\u015ftirirken faydal\u0131d\u0131r.<\/p>\n
where<\/code> Parametresi: Ko\u015fullu Toplama<\/h3>\n
where<\/code> parametresi, NumPy 1.20 s\u00fcr\u00fcm\u00fcnden itibaren eklenen yeni bir \u00f6zelliktir. Bu parametre, bir boolean maske (mask) dizisi alarak, yaln\u0131zca maskenin True<\/code> oldu\u011fu konumlardaki elemanlar\u0131 toplama i\u015flemine dahil etmeyi sa\u011flar. Bu, belirli bir ko\u015fulu sa\u011flayan elemanlar\u0131n toplam\u0131n\u0131 hesaplamak i\u00e7in np.where<\/code> veya manuel filtreleme kullanmaktan daha verimli bir yol sunar.<\/p>\n
\u00d6rnek 9: where<\/code> Parametresi Kullan\u0131m\u0131<\/strong><\/p>\n
import numpy as np\n\narr = np.array([[1, 2, 3],\n                [4, 5, 6],\n                [7, 8, 9]])\n\n
Sadece \u00e7ift say\u0131lar\u0131 toplamak i\u00e7in bir maske olu\u015fturma<\/h2>\nmaske = arr % 2 == 0\nprint(f\"Orijinal dizi:\\n{arr}\")\nprint(f\"Maske (\u00e7ift say\u0131lar i\u00e7in):\\n{maske}\\n\")\n\n
where parametresi ile sadece \u00e7ift say\u0131lar\u0131 toplama<\/h2>\ntoplam_ciftler = np.sum(arr, where=maske)\nprint(f\"where ile sadece \u00e7ift say\u0131lar\u0131n toplam\u0131: {toplam_ciftler}\") # 2 + 4 + 6 + 8 = 20\n\n
Belirli bir eksen boyunca ko\u015fullu toplama<\/h2>\n
Her sat\u0131rdaki \u00e7ift say\u0131lar\u0131 topla<\/h2>\ntoplam_ciftler_satir_bazinda = np.sum(arr, axis=1, where=maske)\nprint(f\"where ve axis=1 ile sat\u0131r baz\u0131nda \u00e7ift say\u0131lar\u0131n toplam\u0131: {toplam_ciftler_satir_bazinda}\")\n
\u00c7\u0131kt\u0131:<\/h2>\n
[2,  10, 8] (ilk sat\u0131rda 2; ikinci sat\u0131rda 4+6=10; \u00fc\u00e7\u00fcnc\u00fc sat\u0131rda 8)<\/h2>\n\n
\u00c7\u0131kt\u0131:<\/h2>\n
Orijinal dizi:<\/h2>\n
[[1 2 3]<\/h2>\n
[4 5 6]<\/h2>\n
[7 8 9]]<\/h2>\n
Maske (\u00e7ift say\u0131lar i\u00e7in):<\/h2>\n
[[False  True False]<\/h2>\n
[ True  False  True]<\/h2>\n
[False  True False]]<\/h2>\n
# where ile sadece \u00e7ift say\u0131lar\u0131n toplam\u0131: 20<\/h2>\n
where ve axis=1 ile sat\u0131r baz\u0131nda \u00e7ift say\u0131lar\u0131n toplam\u0131: [ 2 10  8]<\/code><\/pre>\n<\/h2>\n
where<\/code> parametresi, veri temizleme, eksik de\u011ferleri yok sayma veya belirli alt k\u00fcmeler \u00fczerinde analiz yapma gibi bir\u00e7ok senaryoda b\u00fcy\u00fck esneklik ve performans avantaj\u0131 sa\u011flar.<\/p>\n
numpy.sum()<\/code> vs Python’\u0131n Yerle\u015fik sum()<\/code> Fonksiyonu<\/h3>\n
Python’\u0131n kendi yerle\u015fik sum()<\/code> fonksiyonu da bir iterable (liste, tuple vb.) i\u00e7indeki elemanlar\u0131 toplamak i\u00e7in kullan\u0131l\u0131r. Ancak, numpy.sum()<\/code> ile aras\u0131nda \u00f6nemli farklar vard\u0131r:<\/p>\n
1.  Performans:<\/strong> numpy.sum()<\/code>, C dilinde yaz\u0131lm\u0131\u015f optimize edilmi\u015f algoritmalar\u0131 kulland\u0131\u011f\u0131 i\u00e7in b\u00fcy\u00fck veri setleri \u00fczerinde Python’\u0131n yerle\u015fik sum()<\/code> fonksiyonundan \u00e7ok daha h\u0131zl\u0131d\u0131r. NumPy dizileri bellekte biti\u015fik olarak saklan\u0131r, bu da i\u015flemci \u00f6nbelle\u011fini daha verimli kullanmas\u0131n\u0131 sa\u011flar.
\n2.  \u00c7ok Boyutlu Diziler:<\/strong> Python’\u0131n sum()<\/code> fonksiyonu sadece tek boyutlu iterable’lar \u00fczerinde \u00e7al\u0131\u015f\u0131r. \u00c7ok boyutlu bir listeyi toplamak i\u00e7in i\u00e7 i\u00e7e d\u00f6ng\u00fcler kullanman\u0131z gerekir ki bu da hem karma\u015f\u0131k hem de yava\u015ft\u0131r. numpy.sum()<\/code> ise axis<\/code> parametresi sayesinde \u00e7ok boyutlu diziler \u00fczerinde kolayca ve verimli bir \u015fekilde toplama yapabilir.
\n3.  Esneklik:<\/strong> numpy.sum()<\/code>; dtype<\/code>, out<\/code>, keepdims<\/code>, initial<\/code> ve where<\/code> gibi parametrelerle \u00e7ok daha fazla kontrol ve esneklik sunar. Python’\u0131n sum()<\/code> fonksiyonu sadece start<\/code> (initial’a benzer) parametresine sahiptir.
\n4.  Veri Tipleri:<\/strong> numpy.sum()<\/code>, NumPy’\u0131n zengin veri tipi sistemini destekler ve toplama s\u0131ras\u0131nda veri tipi d\u00f6n\u00fc\u015f\u00fcmleri (casting) \u00fczerinde kontrol sa\u011flar.<\/p>\n
\u00d6rnek 10: Performans Kar\u015f\u0131la\u015ft\u0131rmas\u0131<\/strong><\/p>\n
import numpy as np\nimport time\n\n
B\u00fcy\u00fck bir liste<\/h2>\npy_list = list(range(1, 1_000_001))\n\n
B\u00fcy\u00fck bir NumPy dizisi<\/h2>\nnp_array = np.arange(1, 1_000_001)\n\n
Python'\u0131n sum() fonksiyonu ile s\u00fcre \u00f6l\u00e7\u00fcm\u00fc<\/h2>\nstart_time = time.time()\npy_sum_result = sum(py_list)\nend_time = time.time()\nprint(f\"Python's sum() ile s\u00fcre: {end_time - start_time:.6f} saniye\")\n\n
numpy.sum() fonksiyonu ile s\u00fcre \u00f6l\u00e7\u00fcm\u00fc<\/h2>\nstart_time = time.time()\nnp_sum_result = np.sum(np_array)\nend_time = time.time()\nprint(f\"numpy.sum() ile s\u00fcre: {end_time - start_time:.6f} saniye\")\n\n
\u00c7\u0131kt\u0131 (yakla\u015f\u0131k de\u011ferler, sistemden sisteme de\u011fi\u015fir):<\/h2>\n
Python's sum() ile s\u00fcre: 0.015625 saniye<\/h2>\n
numpy.sum() ile s\u00fcre: 0.000321 saniye<\/code><\/pre>\n<\/h2>\n
Yukar\u0131daki \u00f6rnekte g\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, numpy.sum()<\/code> \u00e7ok daha h\u0131zl\u0131d\u0131r. B\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken bu performans fark\u0131 katlanarak artar ve numpy.sum()<\/code>‘\u0131 vazge\u00e7ilmez k\u0131lar.<\/p>\n
Performans ve Optimizasyon \u0130pu\u00e7lar\u0131<\/h3>\n
numpy.sum()<\/code> zaten y\u00fcksek performansl\u0131 bir fonksiyondur, ancak yine de baz\u0131 optimizasyon ipu\u00e7lar\u0131 mevcuttur:<\/p>\n
*   Do\u011fru Veri Tipi Se\u00e7imi:<\/strong> Bellek kullan\u0131m\u0131n\u0131 ve i\u015flem h\u0131z\u0131n\u0131 etkiler. M\u00fcmk\u00fcn oldu\u011funca k\u00fc\u00e7\u00fck, ancak yeterli veri tiplerini (np.int16<\/code>, np.float32<\/code> vb.) kullan\u0131n. Ancak, say\u0131 ta\u015fmas\u0131n\u0131 \u00f6nlemek i\u00e7in gerekti\u011finde daha b\u00fcy\u00fck tipleri tercih edin.
\n*   out<\/code> Parametresi:<\/strong> Sonucu mevcut bir diziye yazarak bellek tahsisi maliyetinden ka\u00e7\u0131n\u0131n. Bu, \u00f6zellikle d\u00f6ng\u00fcler i\u00e7inde tekrarlanan toplama i\u015flemleri i\u00e7in faydal\u0131d\u0131r.
\n*   Vekt\u00f6rel \u0130\u015flemler:<\/strong> M\u00fcmk\u00fcn oldu\u011funca for d\u00f6ng\u00fcleri yerine NumPy’\u0131n vekt\u00f6rel i\u015flemlerini kullan\u0131n. numpy.sum()<\/code> zaten vekt\u00f6rel bir i\u015flemdir, bu nedenle onu kullanmak ba\u015fl\u0131 ba\u015f\u0131na bir optimizasyondur.
\n*   keepdims=True<\/code> ile Yay\u0131nlama (Broadcasting):<\/strong> E\u011fer toplama sonras\u0131 elde edilen sonucu orijinal diziyle veya ba\u015fka bir diziyle yay\u0131nlamak (broadcast) gerekiyorsa, keepdims=True<\/code> kullanarak ara ad\u0131mda boyut d\u00f6n\u00fc\u015f\u00fcmlerinden ka\u00e7\u0131n\u0131n.<\/p>\n
Ger\u00e7ek D\u00fcnya Uygulama \u00d6rnekleri<\/h3>\n
numpy.sum()<\/code> fonksiyonu, veri biliminden m\u00fchendisli\u011fe kadar geni\u015f bir yelpazede uygulama alan\u0131na sahiptir:<\/p>\n
*   \u0130statistiksel Analiz:<\/strong> Bir veri setinin toplam\u0131n\u0131, ortalamas\u0131n\u0131 (toplam\/eleman say\u0131s\u0131), varyans\u0131n\u0131 veya standart sapmas\u0131n\u0131 hesaplaman\u0131n temelini olu\u015fturur. \u00d6rne\u011fin, bir hisse senedi portf\u00f6y\u00fcn\u00fcn toplam de\u011ferini veya bir s\u0131n\u0131f\u0131n s\u0131nav notlar\u0131n\u0131n toplam\u0131n\u0131 bulmak.
\n*   G\u00f6r\u00fcnt\u00fc \u0130\u015fleme:<\/strong> Bir g\u00f6r\u00fcnt\u00fcn\u00fcn parlakl\u0131k de\u011ferlerinin toplam\u0131n\u0131 alarak genel parlakl\u0131\u011f\u0131n\u0131 \u00f6l\u00e7mek veya belirli bir b\u00f6lgedeki piksel de\u011ferlerini toplamak. Bir g\u00f6r\u00fcnt\u00fcn\u00fcn ortalama yo\u011funlu\u011funu hesaplamak i\u00e7in de kullan\u0131l\u0131r.
\n*   Makine \u00d6\u011frenimi:<\/strong> Model e\u011fitiminde maliyet fonksiyonlar\u0131n\u0131n (loss functions) hesaplanmas\u0131nda s\u0131k\u00e7a kullan\u0131l\u0131r. \u00d6rne\u011fin, kareli hata toplam\u0131n\u0131 (Sum of Squared Errors – SSE) veya \u00e7apraz entropi maliyetini hesaplarken. Ayr\u0131ca, yapay sinir a\u011flar\u0131nda katmanlar\u0131n \u00e7\u0131kt\u0131lar\u0131n\u0131 toplamak gibi matris i\u015flemlerinde temel bir bile\u015fendir.
\n*   Finansal Analiz:<\/strong> Portf\u00f6y getirilerinin toplam\u0131n\u0131 veya belirli bir d\u00f6nemdeki toplam kar\/zarar\u0131 hesaplamak.
\n*   Bilimsel Hesaplama:<\/strong> Fizik, kimya ve biyoloji gibi alanlarda b\u00fcy\u00fck veri setlerindeki toplam enerjiyi, madde miktar\u0131n\u0131 veya pop\u00fclasyon b\u00fcy\u00fckl\u00fc\u011f\u00fcn\u00fc hesaplamak.<\/p>\n
S\u0131k Kar\u015f\u0131la\u015f\u0131lan Hatalar ve \u00c7\u00f6z\u00fcmleri<\/h3>\n
numpy.sum()<\/code> kullan\u0131rken kar\u015f\u0131la\u015f\u0131labilecek baz\u0131 yayg\u0131n hatalar ve bunlar\u0131n \u00e7\u00f6z\u00fcmleri \u015funlard\u0131r:<\/p>\n
*   Say\u0131 Ta\u015fmas\u0131 (OverflowError):<\/strong> K\u00fc\u00e7\u00fck bir dtype<\/code> ile b\u00fcy\u00fck say\u0131lar topland\u0131\u011f\u0131nda ortaya \u00e7\u0131kar.
\n    *   \u00c7\u00f6z\u00fcm:<\/strong> dtype<\/code> parametresini daha geni\u015f bir veri tipine (np.int64<\/code>, np.float64<\/code>) ayarlay\u0131n.<\/p>\n
arr_small_int = np.array([100000, 200000, 300000], dtype=np.int16) # int16 max 32767\n    # print(np.sum(arr_small_int)) # Bu hata verebilir veya yanl\u0131\u015f sonu\u00e7 d\u00f6nd\u00fcrebilir\n    print(np.sum(arr_small_int, dtype=np.int64)) # Do\u011fru sonu\u00e7 i\u00e7in int64 kullan\u0131n<\/code><\/pre>\n
*   Yanl\u0131\u015f axis<\/code> Belirtme:<\/strong> \u00d6zellikle \u00e7ok boyutlu dizilerle \u00e7al\u0131\u015f\u0131rken hangi eksenin ne anlama geldi\u011fini kar\u0131\u015ft\u0131rmak.
\n    *   \u00c7\u00f6z\u00fcm:<\/strong> Dizinin shape<\/code> \u00f6zelli\u011fini kontrol edin ve hangi eksenin hangi boyuta kar\u015f\u0131l\u0131k geldi\u011fini anlay\u0131n. \u00d6rneklerle deneme yaparak axis<\/code>‘in etkisini g\u00f6zlemleyin. keepdims=True<\/code> kullanarak ara sonu\u00e7lar\u0131n boyutlar\u0131n\u0131 kontrol etmek de yard\u0131mc\u0131 olabilir.
\n*   Bo\u015f Dizilerle \u00c7al\u0131\u015fma:<\/strong> Bo\u015f bir diziyi toplamak genellikle 0 d\u00f6nd\u00fcr\u00fcr, ancak initial<\/code> parametresi belirtilirse o de\u011feri d\u00f6nd\u00fcr\u00fcr.<\/p>\n
empty_arr = np.array([])\n    print(np.sum(empty_arr))        # \u00c7\u0131kt\u0131: 0.0 (varsay\u0131lan dtype float'a d\u00f6ner)\n    print(np.sum(empty_arr, initial=100)) # \u00c7\u0131kt\u0131: 100<\/code><\/pre>\n
*   Non-Numeric Elemanlar:<\/strong> Dizide say\u0131sal olmayan elemanlar (string, None vb.) varsa TypeError<\/code> verir.
\n    *   \u00c7\u00f6z\u00fcm:<\/strong> Diziyi toplama i\u015fleminden \u00f6nce temizleyin ve sadece say\u0131sal de\u011ferler i\u00e7erdi\u011finden emin olun.<\/p>\n
Sonu\u00e7 ve Gelecek Perspektifi<\/h3>\n
numpy.sum()<\/code> fonksiyonu, NumPy k\u00fct\u00fcphanesinin temel ta\u015flar\u0131ndan biridir ve Python’da say\u0131sal hesaplama yapan herkes i\u00e7in vazge\u00e7ilmez bir ara\u00e7t\u0131r. \u00c7ok boyutlu diziler \u00fczerindeki y\u00fcksek performansl\u0131 toplama yetene\u011fi, axis<\/code> parametresiyle sundu\u011fu esneklik ve dtype<\/code>, out<\/code>, keepdims<\/code>, initial<\/code>, where<\/code> gibi zengin parametre se\u00e7enekleriyle veri analizi, bilimsel hesaplama ve makine \u00f6\u011frenimi gibi alanlarda karma\u015f\u0131k i\u015flemleri basitle\u015ftirir ve h\u0131zland\u0131r\u0131r.<\/p>\n
Bu makalede, numpy.sum()<\/code>‘\u0131n temel kullan\u0131m\u0131ndan en geli\u015fmi\u015f \u00f6zelliklerine kadar geni\u015f bir yelpazeyi ele ald\u0131k. axis<\/code> parametresinin \u00e7ok boyutlu dizilerdeki g\u00fcc\u00fcn\u00fc, dtype<\/code> ile veri tipi kontrol\u00fcn\u00fcn \u00f6nemini, out<\/code> ile bellek optimizasyonunu, keepdims<\/code> ile boyutlar\u0131 korumay\u0131, initial<\/code> ile ba\u015flang\u0131\u00e7 de\u011ferini ve where<\/code> ile ko\u015fullu toplamay\u0131 detayl\u0131 \u00f6rneklerle inceledik. Ayr\u0131ca, numpy.sum()<\/code> ile Python’\u0131n yerle\u015fik sum()<\/code> fonksiyonu aras\u0131ndaki performans ve i\u015flevsellik farklar\u0131n\u0131 vurgulad\u0131k.<\/p>\n
NumPy’\u0131n s\u00fcrekli geli\u015fimiyle birlikte, numpy.sum()<\/code> gibi temel fonksiyonlar da performans ve esneklik a\u00e7\u0131s\u0131ndan iyile\u015fmeye devam edecektir. Veri bilimi ekosisteminde merkezi bir rol oynayan bu fonksiyonu derinlemesine anlamak ve do\u011fru bir \u015fekilde kullanmak, daha verimli, \u00f6l\u00e7eklenebilir ve g\u00fcvenilir kodlar yazman\u0131n anahtar\u0131d\u0131r. Kullan\u0131c\u0131lar, bu fonksiyonun t\u00fcm yeteneklerinden faydalanarak karma\u015f\u0131k veri manip\u00fclasyonu ve analiz g\u00f6revlerini kolayca yerine getirebilirler.
\n<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"NumPy’da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi\nGiri\u015f\nVeri bilimi, makine \u00f6\u011frenimi ve bilimsel hesaplama alanlar\u0131nda Python, sundu\u011fu","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-31643","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nNumPy'da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi - Kodlar\u0131n Gizemli D\u00fcnyas\u0131<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"NumPy'da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi\" \/>\n<meta property=\"og:description\" content=\"NumPy'da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi Giri\u015f Veri bilimi, makine \u00f6\u011frenimi ve bilimsel hesaplama alanlar\u0131nda Python, sundu\u011fu\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2025-10-12T04:40:58+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"19 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"NumPy’da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi\",\"datePublished\":\"2025-10-12T04:40:58+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/\"},\"wordCount\":2301,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/#respond\"]}],\"copyrightYear\":\"2025\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/\",\"name\":\"NumPy'da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi - Kodlar\u0131n Gizemli D\u00fcnyas\u0131\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2025-10-12T04:40:58+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"NumPy’da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"NumPy'da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/","og_locale":"tr_TR","og_type":"article","og_title":"NumPy'da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi","og_description":"NumPy'da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi Giri\u015f Veri bilimi, makine \u00f6\u011frenimi ve bilimsel hesaplama alanlar\u0131nda Python, sundu\u011fu","og_url":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2025-10-12T04:40:58+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"19 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"NumPy’da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi","datePublished":"2025-10-12T04:40:58+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/"},"wordCount":2301,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/#respond"]}],"copyrightYear":"2025","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/","url":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/","name":"NumPy'da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2025-10-12T04:40:58+00:00","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/numpyda-numpy-sum-fonksiyonunun-kapsamli-incelenmesi\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"NumPy’da numpy.sum() Fonksiyonunun Kapsaml\u0131 \u0130ncelenmesi"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/31643","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=31643"}],"version-history":[{"count":1,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/31643\/revisions"}],"predecessor-version":[{"id":31644,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/31643\/revisions\/31644"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=31643"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=31643"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=31643"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}