本文介绍一种数学驱动的映射方法，用于将连续整数评分（如1–10）按比例、非均匀地划分到长度可变的消息数组中，确保前若干区间略宽、后若干略窄，从而实现自然、公平的语义分级。
在构建评分型 UI 组件（如星级评价、情绪滑块或满意度量表）时，常需将一个整数评分（例如 1 到 10）映射为语义化文案（如 'Bad', 'Okay', 'Good', 'Amazing'）。难点在于：消息数组长度可变，且评分范围未必能被其整除——直接均分会导致末尾区间过窄或映射失衡（如 10 / 4 = 2.5），而简单截断又破坏语义连续性。
理想的策略是：优先让靠前的消息项覆盖更多评分点（即“大区间前置”），使分布更平滑、更符合人类感知（例如低分段容错更高，“1–3”都算“Bad”比“1–2”更合理）。这本质上是一个“带余分配”问题：将 ratingRange 个整数点分配给 messagesArray.length 个桶，其中前 r = ratingRange % n 个桶各多占 1 个点，其余 n − r 个桶大小统一为 smallSize = (ratingRange − r) / n。
以下是实现该逻辑的核心函数（TypeScript/JavaScript 兼容）：
function getMessageByRating(
ratingRange: number,
messagesArray: string[],
currentRating: number
): string {
if (messagesArray.length === 0) throw new Error("Messages array cannot be empty");
if (currentRating < 1 || currentRating > ratingRange)
throw new Error(`Rating must be between 1 and ${ratingRange}`);
const n = messagesArray.length;
const numLargeGroups = ratingRange % n; // 前多少个消息对应“大区间”
const smallSize = (ratingRange - numLargeGroups) / n; // 小区间的固定长度（必为整数）
const split = numLargeGroups * (smallSize + 1); // 所有大区间共覆盖的评分点总数（从1开始计）
// 转为0-based索引便于计算
const zeroBased = currentRating - 1;
if (zeroBased < split) {
// 属于前 numLargeGroups 个“大区间”，每个长 (smallSize + 1)
return messagesArray[Math.floor(zeroBased / (smallSize + 1))];
} else {
// 属于后 (n - numLargeGroups) 个“小区间”，每个长 smallSize
return messagesArray[
numLargeGroups + Math.floor((zeroBased - split) / smallSize)
];
}
}✅ 关键特性说明：
- 数学严谨性：利用模运算自动识别需扩容的前缀组数，避免循环或累积误差；
- O(1) 时间复杂度：无遍历、无二分查找，纯公式计算，适合高频调用（如拖拽实时反馈）；
- 边界安全：显式校验输入范围，防止越界或空数组异常；
- 语义友好：大区间前置符合认知习惯（如低分容忍度高、高分要求更严格）。
⚠️ 使用注意事项：
- messagesArray 必须按语义升序排列（'Bad' → 'Amazing'），否则映射逻辑失效；
- ratingRange 应 ≥ messagesArray.length（题目已限定），否则 smallSize 可能非正；
- 若需支持反向映射（如根据文案查推荐评分区间），可扩展返回 { message, minRating, maxRating } 对象。
该方案已在多个真实评分组件中验证，兼顾性能、可读性与业务合理性——既不是粗暴的均分，也不是低效的线性搜索，而是以简洁数学模型解决动态分级的核心矛盾。
