np.mean en NumPy: promedio por filas y columnas

np.mean(arreglo) devuelve el promedio de todos los elementos de un arreglo de NumPy. Con axis=0 calcula el promedio de cada columna y con axis=1 el de cada fila. El resultado es un numpy.float64 (o un arreglo de ellos), que se comporta como un número normal; conviértelo con float() si lo vas a guardar en JSON.

Sintaxis

import numpy as np

np.mean(a, axis=None, dtype=None, keepdims=False, where=True)
a.mean(axis=None)   # método equivalente

Parámetro	Qué hace
`axis`	`None`: todo el arreglo. `0`: baja por las filas y da un promedio por columna. `1`: recorre las columnas y da un promedio por fila
`dtype`	Tipo con que se acumula la suma. Para enteros NumPy ya usa `float64`; para `float32` conviene pedir `np.float64`
`keepdims`	Si es `True`, conserva la dimensión reducida con tamaño 1, útil para restar el promedio a cada fila
`where`	Máscara booleana: solo promedia los elementos donde vale `True`

np.mean no tiene parámetro de pesos. Para un promedio ponderado usa np.average(a, weights=w), explicado en promedio ponderado en Python.

Paso a paso

Convierte tus datos a arreglo con np.array(lista) (np.mean también acepta listas, pero así controlas el tipo).
Decide la dirección: todo el arreglo, por columna (axis=0) o por fila (axis=1).
Llama a np.mean o al método .mean().
Redondea para mostrar con .round(2); no antes de calcular.

Ejemplos resueltos

Ejemplo 1: arreglo de una dimensión

import numpy as np

a = np.array([12.5, 9.0, 14.25, 11.0])
print(np.mean(a), a.mean())

11.6875 11.6875

La función y el método dan lo mismo. Usa la que te resulte más legible.

Ejemplo 2: calificaciones de 4 alumnos en 3 exámenes

Cada fila es un alumno y cada columna un examen:

m = np.array([[8, 9, 7],
              [6, 10, 9],
              [9, 8, 10],
              [7, 7, 8]])
print(m.mean())
print(m.mean(axis=0))
print(m.mean(axis=1).round(2))

8.166666666666666
[7.5 8.5 8.5]
[8.   8.33 9.   7.33]

El promedio general es 8.17. axis=0 colapsa las filas y deja un promedio por examen: el primero fue el más difícil (7.5). axis=1 colapsa las columnas y deja un promedio por alumno: el tercero tiene 9. Una forma de recordarlo: el número de axis es la dimensión que desaparece.

Ejemplo 3: restar a cada alumno su propio promedio

Para ver qué examen le fue mejor a cada alumno respecto de sí mismo, necesitas que el promedio por fila conserve su forma de columna:

p = m.mean(axis=1, keepdims=True)
print(p)

[[8.        ]
 [8.33333333]
 [9.        ]
 [7.33333333]]

Con forma (4, 1), m - p resta a cada fila su propio promedio por difusión (broadcasting). Sin keepdims, el resultado tendría forma (4,) y la resta se alinearía con las columnas, dando un error de forma o un resultado equivocado.

Precisión y tipo de dato

Con enteros no hay riesgo: aunque el arreglo sea uint8, NumPy acumula en float64, y np.array([200, 100, 50], dtype=np.uint8).mean() devuelve 116.66666666666667. Con float32 sí puede haber problemas:

y = np.array([3e38, 3e38], dtype=np.float32)
print(y.mean(), y.mean(dtype=np.float64))

inf 3.0000000054977558e+38

La suma intermedia supera el máximo de float32 y se vuelve infinita, con una advertencia RuntimeWarning: overflow encountered in reduce. Pedir dtype=np.float64 lo resuelve. El valor no es exactamente 3e38 porque float32 no puede representarlo.

Errores comunes

nan y RuntimeWarning: Mean of empty slice. El arreglo está vacío, a veces porque una máscara no seleccionó nada. NumPy no lanza excepción: revisa a.size antes.
nan sin advertencia. Hay algún NaN en los datos. Usa np.nanmean; ver ignorar NaN.
Confundir axis=0 y axis=1. Revisa la forma del resultado: si esperabas un valor por alumno y tienes uno por examen, cambia el eje.
TypeError: mean() got an unexpected keyword argument 'weights'. np.mean no pondera; usa np.average.
Imprimir np.float64(8.05) en vez de 8.05. Desde NumPy 2.0, la representación dentro de listas y tuplas muestra el tipo. print(x) imprime solo el número; float(x) lo convierte a float de Python.

En Excel, el equivalente de np.mean es PROMEDIO; tienes las variantes en el promedio en Excel.

Fuentes

NumPy, numpy.mean. Parámetros axis, dtype, keepdims, where. Consultado el 11 de noviembre de 2026.