Una buena característica de DataFrames es que puede almacenar columnas con diferentes tipos y puede "reconocerlas automáticamente", por ejemplo:

using DataFrames, DataStructures

df1 = wsv"""
parName region  forType             value
vol     AL      broadL_highF        3.3055628012
vol     AL      con_highF           2.1360975151
vol     AQ      broadL_highF        5.81984502
vol     AQ      con_highF           8.1462998309
"""
typeof(df1[:parName])
DataArrays.DataArray{String,1}
typeof(df1[:value])
DataArrays.DataArray{Float64,1}

Sin embargo, cuando intento alcanzar el mismo resultado a partir de una Matriz (importada de una hoja de cálculo) "pierdo" esa conversión automática:

dataMatrix = [
    "parName"   "region"    "forType"       "value";
    "vol"       "AL"        "broadL_highF"  3.3055628012;
    "vol"       "AL"        "con_highF"     2.1360975151;
    "vol"       "AQ"        "broadL_highF"  5.81984502;
    "vol"       "AQ"        "con_highF"     8.1462998309;
]
h    = [Symbol(c) for c in dataMatrix[1,:]]
vals = dataMatrix[2:end, :]
df2  = convert(DataFrame,OrderedDict(zip(h,[vals[:,i] for i in 1:size(vals,2)])))

typeof(df2[:parName])  
DataArrays.DataArray{Any,1}
typeof(df2[:value])  
DataArrays.DataArray{Any,1}

Hay varias preguntas sobre S.O. sobre cómo convertir una matriz a un marco de datos (p. ej.DataFrame de matriz con encabezado, Convertir matriz de Julia a trama de datos), pero ninguna de las respuestas allí trata con la conversión de una matriz de tipo mixto.

¿Cómo podría crear un DataFrame a partir de una matriz que reconozca automáticamente el tipo de las columnas?

EDITAR: Icomparó las tres soluciones: (1) convierte el df (usando el diccionario o el constructor de matrices ... primero es más rápido) y luego aplica try-catch para la conversión de tipos (mi respuesta original); (2) convertir a cadena y luego usar df.inlinetable (respuesta de Dan Getz); (3) verifique el tipo de cada elemento y su consistencia en columnas (respuesta de Alexander Morley).

Estos son los resultados:

# second time for compilation.. further times ~ results
@time toDf1(m) # 0.000946 seconds (336 allocations: 19.811 KiB)
@time toDf2(m) # 0.000194 seconds (306 allocations: 17.406 KiB)
@time toDf3(m) # 0.001820 seconds (445 allocations: 35.297 KiB)

Por lo tanto, es una locura, la solución más eficiente parece "verter el agua" y reducir el problema a uno ya resuelto ;-)

Gracias por todas las respuestas.