Apache Spark的CPU性能不呈线性扩展是因为Spark的计算模型和数据分片方式的限制。下面是一些解决方法，包含一些代码示例：

1. 增加分区数：增加分区数可以提高并行度，从而提高CPU利用率。可以使用repartition或coalesce方法来增加分区数。示例代码如下：

# 增加分区数
df = df.repartition(100)  # 将DataFrame的分区数增加到100

# 减少分区数
df = df.coalesce(10)  # 将DataFrame的分区数减少到10

2. 提高并行度：可以通过增加Executor的数量来提高并行度，从而提高CPU利用率。可以使用以下代码示例来设置Executor的数量：

$ spark-submit --num-executors 10 --executor-cores 4 my_app.py

3. 使用更高级的数据结构和算法：有时，使用更高级的数据结构和算法可以提高计算效率。例如，使用Spark的DataFrame而不是RDD，可以利用DataFrame的优化执行计划来提高性能。示例代码如下：

# 使用DataFrame
df = spark.read.csv("data.csv")
df_grouped = df.groupby("column1").agg({"column2": "sum"})

# 使用RDD
rdd = spark.sparkContext.textFile("data.txt")
rdd_grouped = rdd.map(lambda line: (line.split(",")[0], int(line.split(",")[1]))) \
                .reduceByKey(lambda a, b: a + b)

4. 使用适当的硬件配置：确保Spark集群的硬件配置足够强大，包括CPU、内存和网络。这可以提高计算性能和并行度。

以上是一些解决Apache Spark CPU性能不呈线性扩展的方法，希望能对您有所帮助。