确切的逻辑尚不清楚，但向量解决方案可能是使用numpy.repeat和切片：

my_array = np.array([0,1,8,4])

def stretch(a, n):
    return np.repeat(a, np.ceil(n/len(a)))[:n]

stretch(my_array, 7)
# array([0, 0, 1, 1, 8, 8, 4])

stretch(my_array, 10)
# array([0, 0, 0, 1, 1, 1, 8, 8, 8, 4])

您可以根据需要的规则调整切片部分

通过公式k * n // m创建从0到n-1的m索引列表，并使用隐式循环通过解引用初始列表生成新列表。
例如

[6, 3, 7, 1] -> [0, 0, 0, 1, 1, 1, 2, 2, 2, 3, 3] -> [6, 6, 6, 3, 3, 3, 7, 7, 7, 1, 1]

单行线：

print([a[k * n // m] for k in range(m)])

双内衬：

i= [k * n // m for k in range(m)]
print([a[i[k]] for k in range(m)])

如果n和m是常数，则只计算一次索引。我怀疑没有人能做得更好。
OpenCV的resize在INTER_NEAREST模式下就是这样做的。如果在单个图像行上完成，开销可能无法承受。如果在多行上完成，可能会更快。

类似于Yves方法，但使用np.linspace生成索引。

import numpy as np

def stretch( arr, length ):
    idx = np.linspace( 0, len(arr), length, endpoint = False).astype( np.int64 )
    # endpoint = False to get the final index as len(arr) - 1
    # print( idx )
    # print( arr[idx] )
    return arr[idx]

np.random.seed( 1234 ) 
arr = np.random.randint( 0, 10, 10 )
arr
# array([3, 6, 5, 4, 8, 9, 1, 7, 9, 6])

stretch( arr, 15 )
# array([3, 3, 6, 5, 5, 4, 8, 8, 9, 1, 1, 7, 9, 9, 6])

时间

%timeit [arr[k * len(arr) // 1000000] for k in range(1000000)]
284 ms ± 3.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit stretch( arr, 1000000 )
6.37 ms ± 18.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

将10个元素拉伸到1，000，000是拉伸速度的40倍。