Um recurso interessante dos DataFrames é que ele pode armazenar colunas com tipos diferentes e "reconhecê-las" automaticamente, por exemplo:

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}

No entanto, quando tento alcançar o mesmo resultado a partir de uma matriz (importada da planilha), "perco" essa conversão 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}

Existem várias perguntas sobre S.O. sobre como converter uma matriz em dataframe (por exemplo,DataFrame da matriz com cabeçalho, Converter matriz Julia em dataframe), mas nenhuma das respostas aqui lida com a conversão de uma matriz de tipo misto.

Como criar um DataFrame a partir de uma matriz que reconhece automaticamente o tipo das colunas?

EDIT: Ifez benchmark das três soluções: (1) converta o df (usando o construtor de dicionário ou matriz. O primeiro é mais rápido) e aplique try-catch para conversão de tipo (minha resposta original); (2) converta em string e use df.inlinetable (resposta de Dan Getz); (3) verifique o tipo de cada elemento e sua consistência em colunas (resposta de Alexander Morley).

Estes são os 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)

Então, louco, a solução mais eficiente parece "derramar a água" e reduzir o problema para um já resolvido ;-)

Obrigado por todas as respostas.