apply()函数在对每一列调用该函数之前将其第一个参数强制转换为矩阵。因此，您的 Dataframe 被强制转换为矩阵对象。该转换的结果是as.matrix(df_AB)具有非空的行名称，而as.matrix(df_ab)则没有：

> str(as.matrix(df_ab))
 int [1:5, 1:2] 1 2 3 4 5 6 5 4 3 2
 - attr(*, "dimnames")=List of 2
  ..$ : NULL
  ..$ : chr [1:2] "a" "b"
> str(as.matrix(df_AB))
 int [1:5, 1:2] 1 2 3 4 5 6 5 4 3 2
 - attr(*, "dimnames")=List of 2
  ..$ : chr [1:5] "1" "2" "3" "4" ...
  ..$ : chr [1:2] "a" "b"

因此，当apply()对df_AB的列进行子集化时，会得到一个命名向量，它与未命名向量不同。

apply(df_AB, 2, str)
 Named int [1:5] 1 2 3 4 5
 - attr(*, "names")= chr [1:5] "1" "2" "3" "4" ...
 Named int [1:5] 6 5 4 3 2
 - attr(*, "names")= chr [1:5] "1" "2" "3" "4" ...
NULL

与subset()函数相比，它使用i的值的逻辑向量来选择行。看起来像是用i的非缺失值子集化data.frame导致row.names属性中的这种差异：

> str(as.matrix(df[1:5, 1:2]))
 int [1:5, 1:2] 1 2 3 4 5 6 5 4 3 2
 - attr(*, "dimnames")=List of 2
  ..$ : chr [1:5] "1" "2" "3" "4" ...
  ..$ : chr [1:2] "a" "b"
> str(as.matrix(df[, 1:2]))
 int [1:5, 1:2] 1 2 3 4 5 6 5 4 3 2
 - attr(*, "dimnames")=List of 2
  ..$ : NULL
  ..$ : chr [1:2] "a" "b"

你可以使用.Internal(inspect(x))函数来查看data.frames之间的所有细节差异，如果你感兴趣的话，你可以自己查看。
正如罗兰在他的评论中指出的那样，您可以使用.row_names_info()函数来查看仅行名称中的差异。
请注意，当i缺失时，.row_names_info()的结果为负，但如果您使用非缺失i进行子集，则结果为正。

> .row_names_info(df_ab, type=1)
[1] -5
> .row_names_info(df_AB, type=1)
[1] 5

这些值的含义在?.row_names_info中解释：

type: integer.  Currently ‘type = 0’ returns the internal
      ‘"row.names"’ attribute (possibly ‘NULL’), ‘type = 2’ the
      number of rows implied by the attribute, and ‘type = 1’ the
      latter with a negative sign for ‘automatic’ row names.

如果你想比较1:5和列中的值，你不应该使用apply，因为apply在应用函数之前会将 Dataframe 转换为矩阵。由于使用[创建的子集中的行名称（参见@约书亚Ulrich的答案），值1:5与包含相同值的命名向量不相同。
您应该使用sapply将identical函数应用于列。这可以避免将 Dataframe 转换为矩阵：

> sapply(df_ab, identical, 1:5)
    a     b 
 TRUE FALSE 
> sapply(df_AB, identical, 1:5)
    a     b 
 TRUE FALSE

如您所见，在两个数据框中，第一列中的值都等于1:5。

在一个版本（使用[）中，列是整数，而在另一个版本（使用subset）中，列的名称是整数。

apply(df_ab, 2, str)

 int [1:5] 1 2 3 4 5
 int [1:5] 6 5 4 3 2
NULL

apply(df_AB, 2, str)

 Named int [1:5] 1 2 3 4 5
 - attr(*, "names")= chr [1:5] "1" "2" "3" "4" ...
 Named int [1:5] 6 5 4 3 2
 - attr(*, "names")= chr [1:5] "1" "2" "3" "4" ...
NULL

在提交给apply之前，看看这两个对象的结构，只有一个区别：我不认为约书亚当前提供的“子集”作为逻辑索引来解释这一点。为什么row.names = c(NA, -5L))在使用“[”提取时会产生命名结果还没有解释。

> dput(df_AB)
structure(list(a = 1:5, b = c(6L, 5L, 4L, 3L, 2L)), .Names = c("a", 
"b"), row.names = c(NA, 5L), class = "data.frame")
> dput(df_ab)
structure(list(a = 1:5, b = c(6L, 5L, 4L, 3L, 2L)), .Names = c("a", 
"b"), class = "data.frame", row.names = c(NA, -5L))

我确实同意需要进一步研究的是as.matrix强制：

> attributes(df_AB[,1])
NULL
> attributes(df_ab[,1])
NULL
> attributes(as.matrix(df_AB)[,1])
$names
[1] "1" "2" "3" "4" "5"